[發(fā)明專利]基于圖像大數(shù)據(jù)提取學(xué)生面部信息實(shí)現(xiàn)教育心理學(xué)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

本發(fā)明公開一種基于圖像大數(shù)據(jù)提取學(xué)生面部信息實(shí)現(xiàn)教育心理學(xué)分析方法，通過深度學(xué)習(xí)算法，獲取圖像特征，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的分析和識別，提高了讀取學(xué)生面部表情的正確率，有助于教師讀取學(xué)生表情，獲取學(xué)生心理變化，以給予心理指導(dǎo)。本發(fā)明通過對圖像進(jìn)行預(yù)處理，得到純凈的數(shù)據(jù)信息；并通過對圖像特征進(jìn)行提取，從局部信息提取、全局信息提取到全局紋理圖像特征提取實(shí)現(xiàn)了圖像特征信息的分析，并將圖像信息進(jìn)行融合，對學(xué)生表情以及情態(tài)進(jìn)行深度學(xué)習(xí)，獲取圖像反映出的情緒變化情況。本發(fā)明能夠使心理學(xué)教師自身能夠主動地學(xué)習(xí)和了解學(xué)生表情以及情態(tài)的變化，幫助教師準(zhǔn)確全面地掌握班級學(xué)生的整體情況，促進(jìn)課堂教學(xué)質(zhì)量的提高。

技術(shù)領(lǐng)域

本發(fā)明涉及心理學(xué)教育領(lǐng)域，且更具體地涉及一種基于圖像大數(shù) 據(jù)提取學(xué)生面部信息實(shí)現(xiàn)教育心理學(xué)分析方法。

背景技術(shù)

情緒是心理學(xué)研究的重要研究對象之一，也是目前為止和大數(shù)據(jù) 結(jié)合最為緊密、成果最為豐富的研究領(lǐng)域。人臉面部表情識別是通過 計算機(jī)對人臉面部由肌肉拉動所產(chǎn)生的表情圖像或視頻做特征提取 工作，并按照人類目前理解經(jīng)驗(yàn)和思想認(rèn)識來實(shí)施表情歸類和表情識 別，從面部信息中提取分析人類情感。表情特征提取的正確性和有用 性是表情可否正確識別的關(guān)鍵。在心理學(xué)教學(xué)中，學(xué)生面部表情直接 反應(yīng)學(xué)生的心理狀態(tài)，通過讀取學(xué)生在不同情況下的面部特征能夠有 效地讀懂學(xué)生的內(nèi)心世界，以給予正確的心理輔導(dǎo)。

傳統(tǒng)心理學(xué)研究，在關(guān)于學(xué)生情緒波動方面，通過日周期水平上 的波動節(jié)律進(jìn)行研究，尤其是主要圍繞積極情緒和消極情緒開展的研 究，通過大量的數(shù)據(jù)，在實(shí)驗(yàn)室進(jìn)過調(diào)查、研究發(fā)現(xiàn)，通過這種波動 的方式測試學(xué)生的情緒，盡管在各個環(huán)節(jié)都做的很到位的情況下，仍 舊存在較大的偏差。因此，目前的學(xué)生面部表情以情緒的識別方法在 輔助教師進(jìn)行教育心理學(xué)分析方面，仍舊顯得力不從心。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的不足，本發(fā)明公開了一種基于圖像大數(shù)據(jù)提取學(xué) 生面部信息實(shí)現(xiàn)教育心理學(xué)分析方法，通過深度學(xué)習(xí)算法，獲取圖像 特征，進(jìn)而實(shí)現(xiàn)數(shù)據(jù)的分析和識別，提高了讀取學(xué)生面部表情的正確 率，有助于教師讀取學(xué)生表情，獲取學(xué)生心理變化，以給予心理指導(dǎo)。

本發(fā)明采用以下技術(shù)方案：

一種基于圖像大數(shù)據(jù)提取學(xué)生面部信息實(shí)現(xiàn)教育心理學(xué)分析方 法，其中該方法包括以下步驟：

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

(S2)圖像預(yù)處理；對數(shù)據(jù)庫中人臉圖片進(jìn)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(jìn)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(jìn) 行灰度化；

(S3)圖像特征提取；將預(yù)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(jìn)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取；其中所述卷積神 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(yīng)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(jìn)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(shí)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：