近年来,随着深度学习算法的不断完善和发展,特别是在与目标检测相结合方面,取得了突破性进展。而结合了计算机视觉技术的第三代智能视觉监控技术也实现了跨越式发展。因此,面对日益猖獗的考试作弊所导致的种种社会问题,基于深度学习的考场智能视觉监控系统在杜绝考试作弊方面就有极大的意义和价值。本文旨在通过对人体行为识别和目标检测算法的研究,并利用深度学习目标检测算法实现一套考场场景下监控视频中作弊行为的检测系统,能够实现实时检测、作弊报警、检测结果的存储和查询。针对以上目标,本文做了以下工作:(1)研究了动作行为的识别和目标检测相关领域的技术及原理。这部分包括对已有的人体行为识别技术的研究和目前各类目标检测算法的研究。其中着重分析了深度学习算法在基于区域提议的目标检测算法和基于回归的目标检测算法中的应用,并在Caffe框架下,实现和对比了 YOLO和SSD算法在考场场景下检测作弊行为的性能,从而为考场场景下作弊行为的检测找到了合适的核心算法。(2)根据本论文的独特性,建立了考场场景下作弊行为的图像数据集,数据集中人工标注了两种考场场景中的人体行为(作弊行为和正常行为)、三种作弊行为(传递答案、偷看他人、偷看手机),数据集中原始图像数量超过一万张,标注样本数累计超过40000个。该数据集可以用于作弊行为匹配算法研究,也可以用于扩充人体行为识别基础研究数据。(3)智能视觉监控系统的具体实现。在综合分析不同算法的性能后选择了 SSD作为核心检测算法,并通过融入度量学习提升了 SSD的检测精度。最终设计了一种基于深度学习的智能视觉监控系统的解决方案,采用双模块配合的方案能达到很好的视频监测和管理的效果。本文阐述了该系统原理及实现过程,然后在Windows平台上实现了完整的系统,并满足了实时性和可操作性,达到了预期效果。