在线考试监控方法、装置、计算机设备及存储介质与流程

本申请涉及监控技术领域，特别是涉及一种在线考试监控方法、装置、计算机设备及存储介质。

背景技术：

随着文化生活水平的提高，人们越来越重视学习培训，教学活动也从传统的线下教学，变成了通过网络进行线上远程学习培训，考试也变为无纸化逐渐从线下搬到线上。

传统的在线考试监控，是通过监考老师，实时关注学生状态进行监考，但无纸化考试中考试设备造成监考视线遮挡，无法直观的观察到每一位考生动态。

现有人使用了摄像头进行监控，可以关注到每一位考生的行为状态，但是摄像头监控需要监考者实时关注监控，仔细查看考生异常状态，容易造成视觉疲劳，漏掉监控中的作弊现象，导致监考效率低。

技术实现要素：

基于此，有必要针对监考效率低的问题，提供一种提高监考效率的在线考试监控方法、装置、计算机设备及存储介质。

一种在线考试监控方法，包括：

获取考生信息，考生信息包括图像信息和语音信息；

根据图像信息和语音信息进行身份验证；

当身份验证通过时，推送考试任务数据；

获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；

根据考生行为特征数据，对考生作弊概率进行分析；

根据作弊概率分析结果，推送预设告警消息。

在其中一个实施例中，获取考生信息之前还包括：

获取考生历史图像信息和考生历史语音信息。

在其中一个实施例中，根据图像信息和语音信息进行身份验证包括：

获取考生当前声音信息，对考生当前声音信息进行预加重处理、分帧窗口处理以及傅里叶变换后，进行离散余弦变换，获取可识别的音频数据；

根据考生历史语音信息对音频数据进行语音识别验证；

当语音识别验证通过时，获取考生当前图像信息，基于人脸识别技术，根据考生历史图像信息对考生当前图像信息进行相似度验证。

在其中一个实施例中，当身份验证通过时，推送考试任务数据还包括：

当考生历史图像信息和考生当前图像信息的匹配相似度低于预设阈值时，重新采集考生图像信息，进行相似度匹配；

当采集考生信息次数到达预设上限次数时，停止推送考试任务数据。

在其中一个实施例中，获取考生行为动态数据，并基于骨骼追踪原理获取考生行为特征数据包括：

获取考生行为红外动态数据；

根据考生行为红外动态数据，获取景深数据；

根据景深数据，基于骨骼追踪原理对考生骨骼进行匹配，建立考生关节坐标；

根据考生关节坐标，计算各骨骼关节的转动角度，获取考生行为特征数据。

在其中一个实施例中，根据考生行为特征数据，对考生作弊概率进行分析包括：

将考生行为特征数据中的关节转动角度与预设安全角度进行对比，获取大于或小于预设安全角度的角度数据；

根据角度数据分析考生作弊概率，考生作弊概率与角度数据正相关。

在其中一个实施例中，根据考生作弊概率分析结果，推送预设告警消息之后还包括：

接收监考终端响应预设告警消息发送的考生作弊检测消息；

根据考生作弊检测消息，提取与待检测考生所在同一考场所有考生的答题信息；

将待检测考生答题信息与考场内其他考生的答题信息进行对比分析，得到相似数据；

当相似数据大于预设阈值时，发送怀疑考生作弊消息。

一种在线考试监控装置，包括：

信息采集模块，用于获取考生信息，考生信息包括图像信息和语音信息；

身份验证模块，用于根据图像信息和语音信息进行身份验证；

任务数据推送模块，用于当身份验证通过时，推送考试任务数据；

特征数据获取模块，用于获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；

分析模块，用于根据考生行为特征数据，对考生作弊概率进行分析；

告警消息发送模块，用于根据作弊概率分析结果，推送预设告警消息。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：

获取考生信息，考生信息包括图像信息和语音信息；

根据图像信息和语音信息进行身份验证；

当身份验证通过时，推送考试任务数据；

获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；

根据考生行为特征数据，对考生作弊概率进行分析；

根据作弊概率分析结果，推送预设告警消息。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取考生信息，考生信息包括图像信息和语音信息；

根据图像信息和语音信息进行身份验证；

当身份验证通过时，推送考试任务数据；

获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；

根据考生行为特征数据，对考生作弊概率进行分析；

根据作弊概率分析结果，推送预设告警消息。

上述在线考试监控方法、装置、计算机设备及存储介质，通过获取考生信息，考生信息包括图像信息和语音信息；根据图像信息和语音信息进行身份验证；当身份验证通过时，推送考试任务数据；获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；根据考生行为特征数据，对考生作弊概率进行分析；根据作弊概率分析结果，推送预设告警消息。整个监控过程中，考生身份验证通过后，推送考试任务数据，考生进行考试时，根据基于骨骼追踪原理获取考生行为中的行为特征数据，对考生作弊概率进行分析，发送告警消息，实现自动化监考不需人工实时关注监控，监控结果准确，提高了监考效率。

附图说明

图1为上述在线考试监控方法其中一个实施例流程示意图；

图2为上述在线考试监控方法另一个实施例流程示意图；

图3为上述在线考试监控装置其中一个实施例结构示意图；

图4为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在其中一个实施例中，如图1所示，提供了一种在线考试监控方法，包括以下步骤：

s110：获取考生信息，考生信息包括图像信息和语音信息。

在进行在线考试时，需要先获取考生身份信息，其中，考生信息可以包括准考证号、身份证号、指纹信息、图像信息以及语音信息等，通过能够进行身份唯一认证的登陆信息进行登陆后才能进入各自对应的考试阶段。在本实施例中，在考试前，通过拍照采集考生图像信息，以及通过麦克风设备对考生的声音进行录入，获取语音信息。

s120：根据图像信息和语音信息进行身份验证。

在考生登陆考试前，根据获取的考生图像信息和语音信息，对考生身份进行验证。本实施例中，根据当场采集的图像信息和语音信息与预设考生身份信息库中的历史数据进行比对，实现对考生身份认证。非必要的，可以根据指纹信息与预设指纹信息的对比，或者身份证号和准考证号等的验证，对考生身份信息进行检测。

s130：当身份验证通过时，推送考试任务数据。

在考生输入考试信息后，服务器对考生输入的信息进行验证，当考生输入的信息与服务器预设考生身份信息数据库中记录的历史信息达到某一致程度时，身份验证成功，服务器根据身份唯一标识，推送身份唯一标识对应的考试任务数据。在本实施例中，当现场采集的考生图像信息和考生语音信息与预设考生身份信息数据库中记录的考生图像信息和考生语音信息达到某一相似度时，身份验证通过，服务器推送考生身份对应的考试内容数据到考试终端，考生开始考试。

s140：获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据。

动态数据是指在系统应用中随时间变化而改变的数据。在本实施例中，考生行为动态数据是指对考生行为进行监控，考生动作随时间不定期改变的数据。骨骼追踪原理，可以通过kinect(体感周边外设)，进行即时动态捕捉和影响识别等，采集记录动作行为动态数据，其中kinect骨骼跟踪不受周围光照影响，主要是红外信息，产生3d深度图，对人体进行追踪，采用分隔策略将人体从错综复杂的背景中区分开来，通过深度特征分类器，识别物体，确定身体的关节部位。当考生动作变化时，可根据对考生骨骼关节的角度转换跟踪，识别考生行为动作，获取考生行为特征数据。

s150：根据考生行为特征数据，对考生作弊概率进行分析。

根据跟踪考生骨骼关节计算骨骼关节转动角度获取的考生行为特征数据，对考生作弊行为概率进行分析。其中，根据教育部发布的《国家教育考试违规处理办法》，将考试人员可能发生的违规行为分成“违纪”9种和“作弊”14种，但因作弊与违纪之间很难界定，可以将正常的读写方式作为正常行为，除此之外都将作为异常行为。本实施例中，可以就正确的读写方式中头向前倾、左右转头以及伸手这三种情况进行定义，比如，头向前倾的角度为30度至45度视为正常，头向右转的角度为60度至90度之间视为正常，头向左转的角度小于90度视为正常，伸手时手肘转动角度小于135度视为正常。可以理解的是，本实施例中对于正常行为的角度定义并不是唯一限定角度，可以根据对人体特征行为的研究或者管理者自行定义标准实现正常行为定义。根据考生行为特征数据与定义的正常骨骼转动角度偏差，对考生作弊概率进行分析。

s160：根据作弊概率分析结果，推送预设告警消息。

根据对考生骨骼关节运动跟踪，以及对考生考试正常行为的定义，获取考生作弊概率。例如，当定义的正常行为中，考生头向前倾正常角度为30度至45度，根据对考生骨骼跟踪，检测到考生头前倾角度为65度时，超出预设正常头前倾角度20度，则分析该考生作弊概率为20％。进一步的，预设告警消息包括告警等级、考生异常行为图像、考生异常行为发生时间等，可以预设当作弊概率为10％-20％为低级告警，21％-30％为低中级告警，31-％-40％为中级告警，41-％-50％为中高级告警。50％以上为高级告警，可以理解的是，人体头部转动的能动范围因人而异，能够超出预设关节转动正常角度的范围也各不相同，因此，根据头转角度设定作弊概率，再根据概率向监考终端发送预设等级告警消息，告警信息可以包括考生异常行为图像、异常行为持续时间，以及异常行为发生前后2秒的行为动作图像，监考终端根据告警消息，对行为异常考生作弊行为进行进一步确认。

上述在线考试监控方法，通过获取考生信息，考生信息包括图像信息和语音信息；根据图像信息和语音信息进行身份验证；当身份验证通过时，推送考试任务数据；获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；根据考生行为特征数据，对考生作弊概率进行分析；根据作弊概率分析结果，推送预设告警消息。整个监控过程中，考生身份验证通过后，推送考试任务数据，考生进行考试时，根据基于骨骼追踪原理获取考生行为动态数据中的行为特征数据，对考生作弊概率进行分析，发送告警消息，实现自动化监考不需人工实时关注监控，监控结果准确，提高了监考效率。

在其中一个实施例中，获取考生信息之前还包括：获取考生历史图像信息和考生历史语音信息。其中，在考生进行考试之前，需要进行考试预约或者考试报名，在报名或预约时，需要的输入个人身份信息，个人身份信息可以包括身份证号、学生证号、照片信息、指纹信息以及语音信息等能够对考生身份起唯一标识作用的信息，预约考试项目。进一步的，服务器获取考生输入的身份信息，其中，语音信息可以是通过麦克风进行声音采集，且语音信息可以为一段语音指令，例如，身份证号声音指令，名字声音指令等；图像信息可以是调用摄像头进行临时拍照或者由考生上传的图像信息，且图像信息需与身份证图像信息一致。对获取的考生身份信息以及考生对应的考试项目信息进行储存，作为考试时进行身份验证的历史身份信息。能够对考生身份验证提供验证依据，保证考生身份无误，避免代考作弊行为。

在其中一个实施例中，根据图像信息和语音信息进行身份验证包括：获取考生当前声音信息，对考生当前声音信息进行预加重处理、分帧窗口处理以及傅里叶变换后，进行离散余弦变换，获取可识别的音频数据；根据考生历史语音信息对音频数据进行语音识别验证；当语音识别验证通过时，获取考生当前图像信息，基于人脸识别技术，根据考生历史图像信息对考生当前图像信息进行相似度验证。其中，预加重处理是对输入的信号高频分量进行补偿的信号处理方式。分帧是指，语音信号具有时变性，但在短时间的范围内，一般认为在10-30ms的短暂时间内，其特性基本保持不变，因而可以将其看作一个稳准态过程，即语音信号具有短时平稳性，所以任何语音信号的分析处理必须建立在短时的基础上，将语音进行分段来分析其特征参数，其中每一段称为帧，整体来说，分析出的是有每一帧特征参数组成的特征参数时间序列。加窗处理是指，计算只能处理有限长度的信号，需对原始信号xt以采样时间t进行截断，成为xt(t)时间序列。本实施例中，采用hamming窗(海明窗)，又称改进的余升弦窗，能使旁瓣达到更小，减低衰减速度，对语音数据进行分析。本实施例中，首先将预加重处理后的声音信息输入hamming窗进行帧选，经过hamming窗帧选的数据进行傅里叶变换，再将傅里叶变换后的数据以滤波组能量的形式输出进行离散余弦变换，获取可识别的音频数据代码，与历史语音信息中历史音频数据代码进行比对。进一步的，当考生语音验证通过后，进行二重验证，调用摄像头，即时对考生进行拍照，获取考生图像信息，基于人脸识别技术，对考生身份进行验证。本实施例中，可以调用阿里云人脸识别接口，基于人脸识别技术，对当场采集的考生图像信息和考生历史图像信息中脸部特征信息进行对比，当当前考生图像信息和考生历史图像信息的相似度大于预设阈值90％时，说明当前考生与历史注册考试的考生为同一人，验证通过，推送该考生对应的考试任务数据，开始考试。可以理解的是，预设阈值并不仅限于90％相似度，可以根据监考质量以及考场需求进行设定。通过语音信息识别以及人脸图像信息比对双重身份验证，有效控制了考试代考作弊行为，有效提高了监考效率。

在其中一个实施例中，当身份验证通过时，推送考试任务数据还包括：当考生历史图像信息和考生当前图像信息的匹配相似度低于预设阈值时，重新采集考生图像信息，进行相似度匹配；当采集考生信息次数到达预设上限次数时，停止推送考试任务数据。其中，在考试前，当场对考生进行拍照以及通过麦克风对考生声音进行录入，获取考生图像信息以及声音信息，当当场获取的考生图像信息与声音信息，与历史储存的考生图像信息以及历史声音信息相似度大于80％时，身份验证通过，进入考试。当语音信息验证通过后，进行图像信息与考生历史图像信息相似度低于预设阈值验证失败时，会重新对考生进行拍照，采集图像信息，继续验证，直到对考生图像信息采集的次数到达8次时，停止对该考生信息采集，并停止推送考试任务数据。可以理解的是，预设阈值以及预设上限次数并不是唯一限定，可以根据需求进行更改。进一步的，当采集图像信息次数到达上限次数时，发送异常提示消息至监考终端，由监考老师对该考生情况进行核查。非必要的，当考生在考试过程中意外退出时，服务器记录退出时的时间节点以及时间节点上的考试内容，当该考生再次进入时，进入上一次退出时的时间节点，继续完成考试任务，并且，在剩余考试时间内，随机拍摄该考生人脸图像，获取该考生人脸图像信息进行身份验证。本实施例中能有效避免面部变化导致验证失败也能对代考考生进行识别，提高了监考效率。

在其中一个实施例中，如图2所示，获取考生行为动态数据，并基于骨骼追踪原理获取考生行为特征数据包括：

s210：获取考生行为红外动态数据。

s220根据考生行为红外动态数据，获取景深数据。

s230：根据景深数据，基于骨骼追踪原理对考生骨骼进行匹配，建立考生关节坐标。

s240：根据考生关节坐标，计算各骨骼关节的转动角度，获取考生行为特征数据。

其中，获取考生行为红外动态数据可以通过调用kinect(体感周边外设)接口，其中kinect有红外发射器和摄像头，通过对考生行为动作以及周围环境的监控，产生三维数据，获取考生行为红外动态数据，考生行为红外动态数据中包含了环境背景动态数据。景深数据是指，通过kinect与环境人物的距离，计算视野范围内的环境人物的图像像素深度值，kinect与环境人物的距离越远，深度值越小，颜色越浅，kinect与环境人物的距离越近，深度值越大，颜色越深。根据景深数据，通过kinect分隔策略，将人体从复杂的背景环境中区分出来，基于骨骼追踪原理对景深图像数据进行评估，匹配人体的不同部位，例如，头，肩、手肘关节、手腕，脚踝以及膝盖等骨骼关节部位，在本实施例中，可以采用半身模式对考生行为进行监控，只对头、肩、肘以及手腕等上半身骨骼关节进行跟踪，建立上半身骨骼关节点的坐标系。考生行为特征数据可以为考生实际行为动作在坐标系中的角度。进一步的，在直角坐标系中，以头为c点，左肩关节点为a点，右肩关节点为b点，肩关节中心为o点，在同一平面内，以肩关节中心点为原点，左右两肩的连线为x轴，头和肩中心的连线为y轴，头向左转：检测oa向量与oc向量之间的夹角；头向右转：检测oc向量与ob向量之间的夹角；伸左手：以左手肘关节为m点，左手腕关节为p点，以左手肘关节点m为原点，检测mp向量与ma向量之间的夹角；伸右手：以左手肘关节为n点，左手腕关节为q点，以左手肘关节点n为原点，检测na向量与nq向量之间的夹角。在坐标系中，检测到考生头右转，oc向量与oa向量之间的夹角为50度时，即考生行为特征数据为头右转50度。通过建立骨骼关节坐标系，跟踪考生行为动作，结果精准，提高了监考效率。

具体的，在其中一个实施例中，根据考生行为特征数据，对考生作弊概率进行分析包括：将考生行为特征数据中的关节转动角度与预设安全角度进行对比，获取大于或小于预设安全角度的角度数据；根据角度数据分析考生作弊概率，考生作弊概率与角度数据正相关。其中，通过建立的考生骨骼关节坐标系，在同一平面内，以肩关节中心点为原点，左右两肩的连线为x轴，头和肩中心的连线为y轴，预设头转安全角度范围θ为30度到45度之间；头向左转：预设oa向量与oc向量之间的夹角在60度至90度为安全角度；头向右转：预设oc向量与ob向量之间的夹角在60度与90度之间为安全角度；伸左手：以左手肘关节为m点，左手腕关节为p点，以左手肘关节点m为原点，预设mp向量与ma向量之间的夹角60度至130度为安全角度；伸右手：以左手肘关节为n点，左手腕关节为q点，以左手肘关节点n为原点，预设na向量与nq向量之间的夹角60度至130度为安全角度。当考生头向右转角度为50度时，与预设头右转安全角度对比，得到小于预设安全角度的角度数据为10度。当与预设安全角度的偏差角度数据越大，考生作弊概率越大，在本实施例中，由于人体执行一个动作的关节转动角度因人而异，不能一概而论，因此，当角度数据为10度时，分析考生作弊概率为10％，通过真实角度偏差，进行作弊概率分析。本实施例中，通过检测考生实际动作角度与预设安全角度的偏差，对作弊概率进行分析，真实反映考生行为动作，监控准确，提高了监考效率。

在其中一个实施例中，根据考生作弊概率分析结果，推送预设告警消息之后还包括：接收监考终端响应预设告警消息发送的考生作弊检测消息；根据考生作弊检测消息，提取与待检测考生所在同一考场所有考生的答题信息；将待检测考生答题信息与考场内其他考生的答题信息进行对比分析，得到相似数据；当相似数据大于预设阈值时，发送怀疑考生作弊消息。其中，根据概率分析结果，推送概率分析结果对应的告警等级消息到监考终端，告警信息可以包括考生异常行为图像、异常行为持续时间，以及异常行为发生前后2秒的行为动作图像，监考终端根据告警消息对该考生异常行为动作，以及异常行为动作前后动作进行观察，当考生行为动作不存在作弊风险时，解除作弊告警，当监考者对该考生行为进行观察，发现该考生行为动作可疑时，发送作弊检测消息至服务器，服务器响应作弊检测消息，提取与待检测考生所在同一考场的所有考生答信息，将考生答题信息进行量化，并对量化后的考生答题信息进行相似度分析，定义待检测的考生答题信息ci(ci1、ci2...cin)，n表示考试的题数，定义考场内其他考生的答题信息0jd(ojd1、ojd2..ojdn),ojdn表示第j个考生考试的第n道答题信息，分析出待检测考生与其他考生答题信息相似度数据为：

其中z为考场人数，h表示待测考生人数，x表示待测考生与其他考生的准考证编号差值，当q大于预设阈值时，发送怀疑考生作弊消息至监控终端。监考老师根据怀疑作弊消息对该考生进行作弊最终判断。本实施例中，通过分析待测考生与考生所有考生的答题信息进行分析，发送怀疑考生作弊消息，使监考老师能够直观判断该考生的作弊行为，不需人为实时关注，且检测结果准确，提高了监考效率。

在其中一个实施例中，如图3所示，提供了一种在线考试监控装置，包括以下模块：

信息采集模块310，用于获取考生信息，考生信息包括图像信息和语音信息；

身份验证模块320，用于根据图像信息和语音信息进行身份验证；

任务数据推送模块330，用于当身份验证通过时，推送考试任务数据；

特征数据获取模块340，用于获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；

分析模块350，用于根据考生行为特征数据，对考生作弊概率进行分析；

告警消息发送模块360，用于根据作弊概率分析结果，推送预设告警消息。

在其中一个实施例中，信息采集模块310，还用于获取考生历史图像信息和考生历史语音信息。

在其中一个实施例中，身份验证模块320，还用于获取考生当前声音信息，对考生当前声音信息进行预加重处理、分帧窗口处理以及傅里叶变换后，进行离散余弦变换，获取可识别的音频数据；根据考生历史语音信息对音频数据进行语音识别验证；当语音识别验证通过时，获取考生当前图像信息，基于人脸识别技术，根据考生历史图像信息对考生当前图像信息进行相似度验证。

在其中一个实施例中，任务数据推送模块330，还用于当考生历史图像信息和考生当前图像信息的匹配相似度低于预设阈值时，重新采集考生图像信息，进行相似度匹配；当采集考生信息次数到达预设上限次数时，停止推送考试任务数据。

在其中一个实施例中，特征数据获取模块340，还用于获取考生行为红外动态数据；根据考生行为红外动态数据，获取景深数据；根据景深数据，基于骨骼追踪原理对考生骨骼进行匹配，建立考生关节坐标；根据考生关节坐标，计算各骨骼关节的转动角度，获取考生行为特征数据。

在其中一个实施例中，分析模块350，还用于将考生行为特征数据中的关节转动角度与预设安全角度进行对比，获取大于或小于预设安全角度的角度数据；根据角度数据分析考生作弊概率，考生作弊概率与角度数据正相关。

在其中一个实施例中，上述在线考试监控装置，还包括检测模块，用于接收监考终端响应预设告警消息发送的考生作弊检测消息；根据考生作弊检测消息，提取与待检测考生所在同一考场所有考生的答题信息；将待检测考生答题信息与考场内其他考生的答题信息进行对比分析，得到相似数据；当相似数据大于预设阈值时，发送怀疑考生作弊消息。

关于在线考试监控装置的具体限定可以参见上文中对于在线考试监控方法的限定，在此不再赘述。上述在线考试监控装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储在线考试监控数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在线考试监控方法。

本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：获取考生信息，考生信息包括图像信息和语音信息；根据图像信息和语音信息进行身份验证；当身份验证通过时，推送考试任务数据；获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；根据考生行为特征数据，对考生作弊概率进行分析；根据作弊概率分析结果，推送预设告警消息。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取考生历史图像信息和考生历史语音信息。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取考生当前声音信息，对考生当前声音信息进行预加重处理、分帧窗口处理以及傅里叶变换后，进行离散余弦变换，获取可识别的音频数据；根据考生历史语音信息对音频数据进行语音识别验证；当语音识别验证通过时，获取考生当前图像信息，基于人脸识别技术，根据考生历史图像信息对考生当前图像信息进行相似度验证。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：当考生历史图像信息和考生当前图像信息的匹配相似度低于预设阈值时，重新采集考生图像信息，进行相似度匹配；当采集考生信息次数到达预设上限次数时，停止推送考试任务数据。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：获取考生行为红外动态数据；根据考生行为红外动态数据，获取景深数据；根据景深数据，基于骨骼追踪原理对考生骨骼进行匹配，建立考生关节坐标；根据考生关节坐标，计算各骨骼关节的转动角度，获取考生行为特征数据。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：将考生行为特征数据中的关节转动角度与预设安全角度进行对比，获取大于或小于预设安全角度的角度数据；根据角度数据分析考生作弊概率，考生作弊概率与角度数据正相关。

在其中一个实施例中，处理器执行计算机程序时还实现以下步骤：接收监考终端响应预设告警消息发送的考生作弊检测消息；根据考生作弊检测消息，提取与待检测考生所在同一考场所有考生的答题信息；将待检测考生答题信息与考场内其他考生的答题信息进行对比分析，得到相似数据；当相似数据大于预设阈值时，发送怀疑考生作弊消息。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理执行时实现以下步骤：获取考生信息，考生信息包括图像信息和语音信息；根据图像信息和语音信息进行身份验证；当身份验证通过时，推送考试任务数据；获取考生行为动态数据,并基于骨骼追踪原理获取考生行为特征数据；根据考生行为特征数据，对考生作弊概率进行分析；根据作弊概率分析结果，推送预设告警消息。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取考生历史图像信息和考生历史语音信息。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取考生当前声音信息，对考生当前声音信息进行预加重处理、分帧窗口处理以及傅里叶变换后，进行离散余弦变换，获取可识别的音频数据；根据考生历史语音信息对音频数据进行语音识别验证；当语音识别验证通过时，获取考生当前图像信息，基于人脸识别技术，根据考生历史图像信息对考生当前图像信息进行相似度验证。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：当考生历史图像信息和考生当前图像信息的匹配相似度低于预设阈值时，重新采集考生图像信息，进行相似度匹配；当采集考生信息次数到达预设上限次数时，停止推送考试任务数据。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取考生行为红外动态数据；根据考生行为红外动态数据，获取景深数据；根据景深数据，基于骨骼追踪原理对考生骨骼进行匹配，建立考生关节坐标；根据考生关节坐标，计算各骨骼关节的转动角度，获取考生行为特征数据。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：将考生行为特征数据中的关节转动角度与预设安全角度进行对比，获取大于或小于预设安全角度的角度数据；根据角度数据分析考生作弊概率，考生作弊概率与角度数据正相关。

在其中一个实施例中，计算机程序被处理器执行时还实现以下步骤：接收监考终端响应预设告警消息发送的考生作弊检测消息；根据考生作弊检测消息，提取与待检测考生所在同一考场所有考生的答题信息；将待检测考生答题信息与考场内其他考生的答题信息进行对比分析，得到相似数据；当相似数据大于预设阈值时，发送怀疑考生作弊消息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。