柴 旭，方 明，2，付飞蚺，邵 桢

1.长春理工大学 计算机科学技术学院，长春130022

2.长春理工大学 人工智能学院，长春130022

分析监控摄像头采集的视频数据，对于各种应用场景下的异常行为监控具有重要作用。例如对犯罪分子的快速搜索和追踪、各类安全检测、指定位置的物品丢失、违章停车等[1]。其基本思想是运用计算机视觉技术从视频图像序列中进行目标提取、识别和分析并对其行为进行描述和理解，从而发现特定行为，并做出相应的应对措施[2-3]。考场中的视频监控目的是辅助监考人员发现考场中的各类异常行为。然而，考场中的监控摄像头往往设置在房间的一角，视场内的人员也较密集，这对基于传统方法的视频行为分析带来很大的挑战。基于深度学习的方法能够对这些不良因素有一定的鲁棒性，但是考生异常行为发生频率较低，训练中正样本远少于负样本，数据的收集、标注也比较困难[4-7]。

针对考场环境的研究，部分学者已经做了大量工作。蔺永政等人[8]提出的考场作弊行为检测方法，通过背景减除法获取考场中考生的运动图像，再采用迭代阈值法确定分割的最优阈值，以此完成考场中考生作弊行为的检测。但是由于背景减除法对于环境的要求和依赖性比较高，因此很难对异常动作进行较精准的判别。Cai 等人[9]提出采用深度学习技术对考生异常行为进行检测。首先利用三维卷积提取视频中考生的运动特征，对得到的特征进行网络模型的训练，当训练完成后，采用该模型进行考场异常行为检测，该方法中对较小幅度的异常动作识别率不高。……