考试是选拔人才的主要手段,为保证考试的公平性,监考通常是采用派专人并结合视频监控的方式,但是人工审查大量监控视频效率低,会漏检大量目标,因此,让计算机准确地自动识别考试异常行为是本文研究的目标。标识考试监控画面中的考生异常行为类别和发生位置是一种典型的目标检测任务,使用传统目标检测算法存在特征难设计、算法性能差的问题,而深度学习目标检测算法有效避免了人工设计特征提取方法,多样化的网络结构为实现检测提供了不同的方案,本文主要做了以下两个方面的研究工作:(1)分别基于深度学习目标检测算法Mobilnet-SSD与YOLOv3训练模型,首先从多角度录制考试监控视频,按照7帧的间隔截取视频图像并标注考生异常行为,经过格式转换后得到tf Record格式的数据集文件;然后分析SSD算法流程以及优化策略,将SSD主干网络由VGG-16换为轻量化网络Mobile Net的结构,避免因模型过于庞大而导致在嵌入式设备上难以运行的问题;通过比较YOLO系列算法各自的特点,选择检测速度与精度更加均衡且对小物体检测效果更好的YOLOv3算法训练模型;最后展示两种模型训练过程中损失函数的变换趋势,以m AP作为性能指标完成对模型的评估与分析。(2)为了提升考试异常行为识别模型在普通性能机器上的检测实时性,首先使用Tensorflow以及Python-OpenCV编写能成功运行的检测程序;接着提出两种实时性提升方案:帧交替检测与双线程检测,通过比较帧交替单线程、逐帧双线程以及帧交替双线程三种检测实验的结果,证明帧交替双线程检测策略在保证程序运行所占内存较低且画面播放连贯的同时,能够最大限度地提升检测实时性。本文创新之处在于:(1)采用深度学习目标检测算法,通过对比实验构建了检测准确率较高的考试异常行为识别模型。(2)利用帧交替双线程检测策略提升了模型在普通性能机器上的检测实时性。