[发明专利]一种基于随机森林的线上考试监考方法

权利要求书

1.一种基于随机森林的线上考试监考方法，其特征在于，具体步骤如下：

S1：在获得视频帧的图片后，利用改进的MTCNN方法进行人脸检测，特征提取和人脸对齐；

S2：基于面部特征点计算头部姿态；

S3：基于随机森林，融合头部姿态和面部特征进行视线估计；

S4：对作弊行为进行判断；

在步骤S2中，利用已得到的面部特征点计算头部姿态，具体步骤如下：

S201：选用AFLW数据集，将训练集中的图片水平翻转φ度，增广数据；

S202：调整旋转之后，重新定位新边框的顶点如下：

设原始边框的坐标为(X_min，X_max，Y_min，Y_max)，图像中心的坐标为(X_c，Y_c)；

将原始图像的顶点绕(X_c，Y_c)旋转φ度，得到新的边框顶点坐标：

x′_min＝min{x cosφ+y sinφ}+x₀

x’_max＝max{x cosφ+y sinφ}+x₀

y′_min＝min{-x cosφ+y sinφ}+y₀

y_max＝max{-x cosφ+y sinφ}+y₀

其中：

x_o＝x_c(1-cosφ)-y_csinφ

y_o＝x_csinφ+y_c(1-cosφ)

S203：根据上述变换，可以求得水平旋转矩阵如下：

S204：求得欧拉角如下，其中α表示俯仰，β表示偏航，γ表示滚转；

β’=Sin^-1M₃₁

在步骤S3中，具体步骤如下：

S301：选用cart回归树，用最小二乘法作为节点分裂的依据，具体步骤如下：

(1)初始时刻将训练集中数据分配到根节点，训练数据集中的离差平方和，公式如下：

其中，y_i表示第i个样本的目标函数，y表示m个样本的目标函数平均值；

(2)对每一个属性的X_i的所有值进行排序，取同一属性的相邻两个样本的均值X_i，k，将其作为阈值将训练集分为左右两部分，计算两部分的离差平方和D_i，R，D_i，L；

(3)找到使ΔD＝D_i-D_i，R-D_i，L最大化的X_i，k作为分类点，将样本分为S_i，L，S_i，R两部分，对这两个子集重复相同步骤直到当前子集满足分裂终止法则，将到达叶节点的所有目标值拟合成函数表达式，对回归树剪枝，获得规则集；

S302：针对过拟合的问题，采用L2正则项进行优化,提高模型泛化能力；

其中假设随机森林的初始损失函数为L₀，优化后的损失函数为：

S303：将眼部特征点信息以及头部姿态信息输入到训练好的随机森林视线估计模型中，输出视线估计结果；

在步骤S4中，具体步骤如下：

S401：在开始眼动追踪之前，视线估计模型提供9个校对点，系统通过用户点击校对点收集注视点信息，并且通过收集的凝视数据检测屏幕角，屏幕角x，y轴的计算如下：

x_min＝(x₁+x₇)/2

x_max＝(x₃+x₉)/2

y_min＝(y₁+y₃)/2

y_max＝(y₇+y₉)/2

假设眼睛注视坐标为(G_x，G_y)，若G_xx_min|G_xx_max|G_yy_min|G_yy_max，则认为考生没有看屏幕；

S402：考试期间，逐帧记录注视点，若在连续20s内，考生视线在屏幕外的时间大于50％则标记为异常，向考生发出警示，并且在考试结束将完整的视线记录生成可视图发送给监考员，监考员可以选择对异常时间段内考生的作弊行为进行人为判断。

2.根据权利要求1所述的一种基于随机森林的线上考试监考方法，其特征在于，在步骤S1中，具体步骤如下：

S101：使用LaPa数据集对MTCNN网络模型进行训练，得到人脸边界框信息以及106个特征点标注；

S102：对识别出的人脸进行对齐处理；

S103：将对齐后的人脸图像进行归一化处理。