本发明属于信息化远程教学技术领域，尤其涉及一种防作弊远程考试方法。
背景技术：
随着信息技术的发展，网络教育，网络考试越来越普遍，远程教育、远程考试在一定程度上方便了老师和学生，同时也平衡了地区间的教育资源差距。但是远程考试同时也存在一定的缺陷，没有监考员的存在造成远程考试容易作弊，影响考试的公平性，也影响了教育的质量。
在网络远程考试中，通过分析考生视觉焦点和心理情绪变化可以在一定程度上判断考生是否在进行作弊。
人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。
微表情，是心理学名词。人们通过做一些表情把内心感受表达给对方看，在人们做的不同表情之间，或是某个表情里，脸部会“泄露”出其它的信息。“微表情”最短可持续1/25秒，虽然一个下意识的表情可能只持续一瞬间，但这种特性，很容易暴露情绪。当面部在做某个表情时，这些持续时间极短的表情会突然一闪而过，而且有时表达相反的情绪。“微表情”一闪而过，通常甚至清醒的作表情的人和观察者都察觉不到。在实验里，只有10%的人察觉到。比起人们有意识做出的表情，“微表情”更能体现人们真实的感受和动机。
在人面识别的基础上再结合“微表情”的进行人面分析，利用计算机的高速捕捉和计算能力能更好地识别和分析出人的微表情变化，从而可以判断出分析对象的心理行为。
技术实现要素：
基于现有技术存在上述问题，本发明提供一种防作弊远程考试方法，其通过对考生进行拍摄，并通过网络服务器辅助对图像进行处理分析，建立人面模型分析学习者的微表情变化和行为动态，从而判断考生是否存在作弊行为并作出警告，在一定程度上可以防止远程网络考试作弊。
一种防作弊远程考试方法，其包括以下步骤：
步骤s10考生安排，考试管理模块调用数据中的考生信息，根据考生信息生成考试场次、考试时间、考试科目和考生考号；
步骤s20考卷生成：根据步骤s10的考生安排信息，试题随机生成模块根据考号和考试科目从题库中调取试题通用模板，通过随机算法生成随机信息填充试题模板或者随机生成答案顺序，而生成试卷；
步骤s30考生登录：考生根据自己的考号登录考生客户端，并调整摄像设备对自己进行拍摄；
步骤s40图像采集，控制摄像设备对考生进行拍摄，将拍摄到的图像传递到颜色分析模块，并随时根据颜色分析模块反馈调整拍摄角度；
步骤s50图像颜色分析，将采集到的图像信息进行分析，分析图像的颜色变化，区分人面区域和背景区域，并确定人面位置，根据人面的位置调整拍摄角度，使人面处于图像中间；
步骤s60像素统计分析，对图像进行像素化，再对图像中的人面区域进行像素统计分析，对人面进行细致识别，并判断考生人面与系统中的人面信息是否匹配，确认是否本人参加考试，若非本人考试则反馈作弊信息，锁定考生客户端并发出提示；
步骤s70标记特征点，如考生身份通过确认，则结合人面细致识别结果和生物信息进行比对，标记出图像中人面特征点；
步骤s80建立人面模型，根据特征点和人面信息对分析对象建立人面模型，模拟人面特征点变化分析；
步骤s90作弊分析，根据人面的变化结合生物情绪行为信息比对得出分析对象的瞬时情绪和细微动作分析，当分析出考生可能存在作弊行为时向考生客户端发出警告信息，累计超过三次作弊行为则锁定考生客户端。
其中，所述的步骤s40图像采集能够分为步骤s41静态图像采集和步骤s42动态图像采集，步骤s41静态图像采集后执行步骤s50颜色分析，调整拍摄角度；步骤s42动态图像采集后执行步骤s60，对人面区域进行像素统计分析。
其中，所述的步骤s90中的生物情绪行为信息包括人面微表情信息和人为动作信息。
其中，所述的步骤s60像素统计分析还包括步骤s61，连接互联服务器辅助对图像进行像素统计分析计算。
其中，所述的分析方法还包括步骤s110大数据分析更新维护，执行步骤s90后对分析结果结合互联网数据进行大数据分析再次确认分析结果，并根据分析结果对生物信息数据库进行更新维护。
其中，所述的s90中的作弊行为包括视角焦点频繁离开屏幕范围。
具体实施方式
下面结合具体实施例对本发明作进一步的描述。
一种防作弊远程考试方法，其包括以下步骤：
步骤s10考生安排，考试管理模块调用数据中的考生信息，根据考生信息生成考试场次、考试时间、考试科目和考生考号；
步骤s20考卷生成：根据步骤s10的考生安排信息，试题随机生成模块根据考号和考试科目从题库中调取试题通用模板，通过随机算法生成随机信息填充试题模板或者随机生成答案顺序，而生成试卷；
步骤s30考生登录：考生根据自己的考号登录考生客户端，并调整摄像设备对自己进行拍摄；
步骤s40图像采集，控制摄像设备对考生进行拍摄，将拍摄到的图像传递到颜色分析模块，并随时根据颜色分析模块反馈调整拍摄角度；
步骤s50图像颜色分析，将采集到的图像信息进行分析，分析图像的颜色变化，区分人面区域和背景区域，并确定人面位置，根据人面的位置调整拍摄角度，使人面处于图像中间；
步骤s60像素统计分析，对图像进行像素化，再对图像中的人面区域进行像素统计分析，对人面进行细致识别，并判断考生人面与系统中的人面信息是否匹配，确认是否本人参加考试，若非本人考试则反馈作弊信息，锁定考生客户端并发出提示；
步骤s70标记特征点，如考生身份通过确认，则结合人面细致识别结果和生物信息进行比对，标记出图像中人面特征点；
步骤s80建立人面模型，根据特征点和人面信息对分析对象建立人面模型，模拟人面特征点变化分析；
步骤s90作弊分析，根据人面的变化结合生物情绪行为信息比对得出分析对象的瞬时情绪和细微动作分析，当分析出考生可能存在作弊行为时向考生客户端发出警告信息，累计超过三次作弊行为则锁定考生客户端。
作为优选实施例，所述的步骤s40图像采集能够分为步骤s41静态图像采集和步骤s42动态图像采集，步骤s41静态图像采集后执行步骤s50颜色分析，调整拍摄角度；步骤s42动态图像采集后执行步骤s60，对人面区域进行像素统计分析。
作为优选实施例，所述的步骤s90中的生物情绪行为信息包括人面微表情信息和人为动作信息。
作为优选实施例，所述的步骤s60像素统计分析还包括步骤s61，连接互联服务器辅助对图像进行像素统计分析计算。
作为优选实施例，所述的分析方法还包括步骤s110大数据分析更新维护，执行步骤s90后对分析结果结合互联网数据进行大数据分析再次确认分析结果，并根据分析结果对生物信息数据库进行更新维护。
作为优选实施例，所述的s90中的作弊行为包括视角焦点频繁离开屏幕范围。
以上所述实施例仅表达了本发明的一种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。