[發(fā)明專利]基于圖像大數(shù)據(jù)提取學生面部信息實現(xiàn)教育心理學分析方法

在審

• 申請?zhí)枺?/td>: 202010375024.0
• 申請日: 2020-05-03
• 公開（公告）號: CN111553299A
• 公開（公告）日: 2020-08-18
• 發(fā)明（設(shè)計）人: 刀鋒
• 申請（專利權(quán)）人: 刀鋒
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于圖像大數(shù)據(jù)提取學生面部信息實現(xiàn)教育心理學分析方法，其特征在于：包括以下步驟：

(S1)構(gòu)建學生圖像數(shù)據(jù)庫集合，獲取學生面部圖片信息；

(S2)圖像預處理；對數(shù)據(jù)庫中人臉圖片進行傾斜校正、大小歸一化、直方圖均衡和灰度歸一化處理，清理模糊不清的圖片，獲取純凈的圖像數(shù)據(jù)信息，在進行灰度歸一化處理時，采用的方法至少包含有灰度變換歸一化、最大值法、平均值法或加權(quán)平均法將彩色圖像進行灰度化；

(S3)圖像特征提取；將預處理后的圖像數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)CNN網(wǎng)絡(luò)數(shù)據(jù)模型進行深度特征提取；提取的方法包括局部圖像特征提取、全局圖像特征提取和全局紋理圖像特征提?。黄渲兴鼍矸e神經(jīng)網(wǎng)絡(luò)CNN網(wǎng)絡(luò)數(shù)據(jù)模型包括輸入層、卷積層、子采樣層、全連接層和輸出層；所述輸入層用于輸入圖片信息數(shù)據(jù)，所述卷積層由神經(jīng)元排列組成特征平面，所述子采樣層內(nèi)的特征面與卷積層中的特征面數(shù)量相同，并且設(shè)置成一一對應的關(guān)系，以降低特征維度，所述全連接層設(shè)置為匯總所述卷積層和所述采樣層的局部特征，并將匯總后的數(shù)據(jù)信息結(jié)果輸出；

(S4)圖像數(shù)據(jù)信息融合；將提取的三種特征分別歸一化，然后進行級聯(lián)融合；所述圖像級聯(lián)融合方法為基于模糊神經(jīng)網(wǎng)絡(luò)的多數(shù)據(jù)特征關(guān)聯(lián)算法；所述多數(shù)據(jù)特征關(guān)聯(lián)算法模型結(jié)構(gòu)包括輸入層、模糊化層、規(guī)則推理層和逆模糊層；其中：

所述輸入層用于輸入變量，所述模糊化層用于實現(xiàn)輸入變量的模糊化，所述模糊化程度通過隸屬度來確定，所述隸屬度利用以下公式來表示：

μ(x_i)＝exp{-[(x_i-a_ij)/b_ij]²} (1)

其中，a_ij和b_ij分別表示隸屬度函數(shù)的中心和寬度；μ(x_i)表示第i個輸入變量的第j個模糊子集的隸屬度；

所述規(guī)則推理層通過設(shè)置的不同節(jié)點表示模糊操作，一個節(jié)點表示一條模糊規(guī)則，節(jié)點介于2-300個；

所述輸出層通過重心法進行去模糊化處理，輸出信息用以下公式表示：

其中m表示規(guī)則的數(shù)目，w_i表示規(guī)則堆理層輸出的第i條規(guī)則的強度，r_i表示第i條規(guī)則的結(jié)論；

(S5)對圖像數(shù)據(jù)信息融合后的數(shù)據(jù)進行分類；將融合后的特征輸入訓練好的強分類器中進行訓練和分類；其中所述強分類器為基于隨機森林算法模型的強分類器，所述強分類器的訓練過程為：

從圖像預處理后的樣本訓練集合中隨機采樣固定個數(shù)的學生圖像樣本，每采集一個樣本，放回一個樣本，然后再重新采樣，如果對有N個樣本訓練集做T次的隨機采樣，則由于采樣的隨機性，T次采樣的結(jié)果各不相同，每次結(jié)果輸出頻率最多的數(shù)據(jù)，則作為最終的數(shù)據(jù)模型，則將該點設(shè)置當前節(jié)點為葉子節(jié)點；在原始樣本訓練數(shù)據(jù)集合中，假設(shè)輸入為樣本集D＝{(x₁,y₁),(x₂,y₂),...,(x_m,y_m)}；第一次輸出是通過弱學習器算法進行輸出，即弱分類器，將弱分類器進行迭代T次數(shù)，將這些弱分類器疊加，輸出為最終的強分類器；

(S6)輸出表情數(shù)據(jù)信息；供教師判斷，以識別學生面部信息反應的心理狀態(tài)。

2.根據(jù)權(quán)利要求1所述的一種基于圖像大數(shù)據(jù)提取學生面部信息實現(xiàn)教育心理學分析方法，其特征在于：所述步驟(S2)中的灰度變換歸一化的方法為：利用灰度拉伸的方法將原圖像中的灰度分布擴展到具有整個灰度級的圖像，其中所述灰度變換歸一化的公式為：

其中I(i,j)、N(i,j)分別表示原圖像的灰度值、變換后圖像的灰度值，min和max分別表示原圖像的最小灰度值和最大灰度值。

3.根據(jù)權(quán)利要求1所述的一種基于圖像大數(shù)據(jù)提取學生面部信息實現(xiàn)教育心理學分析方法，其特征在于：所述步驟(S2)中的最大值法是將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值，所述三分量包括R分量、G分量和B分量。