智能监考系统是智能考试管理系统的关键和难点部分,其对于教育行政部门提高考试管理水平,降低考试过程的人力、财力投入,保证考试的公平性具有重要的意义。当前智能监考系统研究还存在诸多没有解决的关键和难点问题。本文研究和解决基于考场监控视频的智能监考系统中的考务事件检测的关键问题,提出相应的理论模型、关键算法。具体包括三个问题:第一个问题是考场全局考务事件检测。考场全局考务事件是指在时间轴上对考场监控视频各个片段的考场全局状态进行识别分类,结合考试时间和考务规则等预知的文本参数,以判断空考场、考生入场、考生离场、考前准备与考后收尾、考中等各个考务环节是否秩序正常和按时进行。另外,考中阶段的确定是考场局部考务事件检测的前提。针对考场全局运行状态分类问题,本文提出了双通道三维卷积神经网络模型D3DCNN,本文实验部分在考场数据集EMV-1及基准数据集UCF101上证明了 D3DCNN模型的有效性和先进性。第二个问题是考场监控视频时钟识别。在考场监控视频中,考务事件有三个要素,即视频信息、时钟信息、考务规则。考务事件与时间紧密关联,不同时间发生的同一视频内容有着完全不同的语义和重要性。视频时钟也是海量考场监控视频语义检索、多考场监控视频同步的关键,所以考场监控视频数字时钟识别是检测和分析考场全局与局部事件的前提。本文研究了考场监控视频时钟识别问题,提出了问题的解决方法,本文实验部分在考场监控视频数据集上对这些方法的有效性进行了验证。第三个问题是考场局部考务事件检测。考场局部考务事件是指考中阶段出现的考官巡场、考生异常走动等事件,其核心是对考中阶段视频帧中的站姿人员对象进行目标检测和区分。本文提出了一种轻量和高效的ISSD目标检测神经网络模型,实现对考场监控视频中考中阶段场景的局部站姿人员对象的检测,再通过特征融合和目标区分算法,结合考场监控视频时钟信息和考务规则,实现考场局部事件的检测。本文实验部分在考场数据集EMV-2上证明了 ISSD模型及其迁移训练策略的有效性和先进性。本文的贡献和创新主要有三点:1.现阶段针对考场监控视频的研究主要集中在对单个考生违规行为动作的识别方面,本文开创性地将考场中全部人员作为群体对象进行研究,通过对群体对象运动状态场景的分类识别,区分不同的考场全局状态,结合考务规则和考场视频时钟,实现考场全局事件检测,在考务管理等方面有重要意义。2.针对考场全局运行状态视频场景分类问题,本文提出了一种新颖的双通道三维卷积神经网络模型D3DCNN,将二维卷积神经网络的优势延伸至三维空间,该模型的两个通道可同时学习原始帧序列及光流图谱的时空特征,汲取并融合两者包含的空间内容与运动状态信息,提升网络对考场帧序列时空特征的表达能力。在网络结构设计方面,D3DCNN模型减少网络深度而拓宽了网络宽度,减少网络模型参数降低了训练难度,实现了小数据集下的高效训练。3.针对考场局部站姿人员目标检测问题,本文提出了一种轻量和高效的ISSD目标检测神经网络模型,其对经典的SSD网络进行了针对性改进,采用轻量级的MobileNet网络作为基准网络,采用深度级可分离卷积层作为新加检测层,保持了网络的一致性,同时大幅减少了网络参数,并降低了网络的训练难度。ISSD模型针对考场视频中站姿人员所具有的形体特点,将检测层向前迁移并融合,提升了网络对中小型目标的表达及检测能力,同时移除不合比例的候选框,提升了检测效率。ISSD模型还针对考场小数据集,采用迁移学习的训练策略,提升了对考场中站姿人员的表达及检测能力。