考试是一种检验考生学习能力和选拔人才的方法,通过考试,可以了解考生对所学知识的把握程度,从而选拔合适的人才。考场作为考试的场所,需要有监考人员进行监督,来防止考生在考试时作弊。只有公平公正的考试环境,才能够检验出考生的真实水平。随着科技的发展,监考的手段也不断地现代化。传统的监考方式主要依靠人工监考,考试中心会在每个考场安排监考和巡考人员来维持考场秩序。通常由于考试集中在期末,规模较大,并且监考人员精力有限,可能导致一些作弊行为难以被发现。虽然考场内设置有摄像头等设备,可以环顾考场的每个角落,但由于这类设备只有录制和回放两种简单的功能,所以还是需大量的人力来检验考场录像,浪费大量的人力物力。当前的监考方式大多采用图像分类和光流法等方法来识别作弊行为,这些方法识别准确率低,并且识别速度较慢。本文针对以上智能监考问题,提出了一种基于视频理解的智能监考方法,并搭建了智能监考系统。首先,本文应用目标检测、目标跟踪、粗分类和行为识别算法搭建了智能监考的基础框架。其次,由于考场摄像头视角特殊,针对目前与监考相关的公开数据集稀缺问题,构建了各个算法需要的数据集,为后续工作提供数据支持。接着介绍了YOLOv5中的几个网络模型,针对教室后排考生检测困难问题,利用构建的数据集对YOLOv5s算法进行训练,训练后检测效果有了明显的改善;同时基于实时性和准确率的考虑,分析了考生考试运动的特点,对考生的跟踪使用Deep Sort算法;在分析了考生考试情况后,针对大部分考生安静答题情况,在基础框架中加入粗分类模块进行过滤操作,极大地减轻了行为识别模块的压力;在考生作弊行为检测方面,我们比较了Slow Fast和X3D两种行为识别算法,最终选择了速度和准确率较好的X3D算法在构建的数据集上进行训练,提高了模型对于考生异常行为的检测能力。最后,结合基础框架中的算法,搭建了智能监考系统,并在系统中加入了考生的运动幅度变化曲线,通过该曲线可以从侧面反映考生是否存在作弊行为,同时系统拥有对异常行为的标注、记录和报警功能。经过测试,该系统满足实时性要求,并且在数据集上表现良好。