基于機器視覺的學生心理干預治療及行為監測系統

高雪冬　郝小可

摘 ?要： 以準確檢測出學生消極情緒并開展針對性心理干預治療為目的，設計基于機器視覺的學生心理干預治療及行為監測系統。系統由人臉檢測識別模塊獲取目標圖片，并進行灰度化預處理，去除外界環境干擾，利用Viola?Jones算法完成人臉識別，提取人眼張合度、側臉、抬頭與低頭等特征;行為檢測模塊采用多核LV?SVM模式分類方法劃分人臉特征識別結果為不同情緒;核心控制模塊對結果為消極情緒的人臉特征予以報警;心理干預治療模塊依據報警結果，采取學校主導、家庭輔助、學生參與三種干預措施開展學生針對性心理干預治療。實驗結果證明，該系統的人臉特征檢測準確率高、穩定性強，可以對存在消極情緒的學生進行心理干預治療，且效果顯著。

關鍵詞： 心理干預治療; 行為監測; 系統設計; 機器視覺; 人臉識別; 圖像采集

中圖分類號： TN931+.3?34; U46 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）24?0063?04

Student psychological intervention treatment and behavior monitoring system

based on machine vision

GAO Xuedong， HAO Xiaoke

（Hebei University of Technology， Tianjin 300401， China）

Abstract： A student psychological intervention treatment and behavior monitoring system based on machine vision is designed to accurately detect students′negative moods and carry out the targeted psychological intervention treatment. In the system， the face detection and recognition module is used to obtain the target image and implement gray preprocessing to remove the interference from external environment， and the Viola?Jones algorithm is used to complete the face recognition and extract the features of eye opening?closing， side face， head up and head down. The LV?SVM mode classification method is used in the behavior detection module to divide the identification results of the face features into the different moods. The core control module is used to give an alarm to the facial features with negative moods. According to the results of the alarm， the psychological intervention module is used to carry out the targeted psychological intervention treatment to the student by means of the three intervention measures： school leading， family assistance and student participation. The experimental results show that the system has high accuracy and stability in the face feature detection， can carry out the psychological intervention treatment to the student with negative moods， and its effect is significant.

Keywords： psychological intervention treatment; behavior monitoring; system design; machine vision; face recognition; image acquisition

0 ?引 ?言

學生健康心理的形成需要老師精心的照顧與教育，及時發現學生出現心理問題尤為重要。隨著機器視覺技術的快速發展[1?3]，行為監測研究也出現新高潮[4]。將計算機行為監測技術應用在教室內，基于計算機分析圖像從中提取有效的檢測信息，對檢測到的有效信息進行分析，可找出有心理問題的學生[5]。鄧逢光等設計了基于大數據的學生校園行為分析預警管理系統[6]，通過學生教育管理與信息技術的融合途徑，采集學生行為大數據，建立分析預測模型與可視化模型，對學生行為進行預警安全管控，提升學生教育管理科學水平;江波等設計了基于面部表情的學習困惑自動識別系統[7]，通過邏輯回歸、隨機森林、深度學習等機器學習算法有效檢測學生學習困惑的面部表情，但是上述研究均未解決學生的心理問題。因此，本文設計基于機器視覺的學生心理干預治療及行為監測系統。行為檢測模塊中采用多核LV?SVM模式分類算法，可以有效區分學生情緒類別，也可以及時進行心理干預治療。

式中，核函數是[Fai1，ai2=φTai1φai2]，最后得出LS?SVM分類器判決函數：

[ba=sgnαmbmFa，am+k， i=1，2，…，m] ?（6）

全局函數和局部函數屬于核函數。泛化能力強、學習能力弱的是全局函數;反之是局部函數。多項式核函數Poly（Polynomial）與徑向基核函數（Radial Basis Function，RBF）是常用的核函數，Poly屬于全局核函數，RBF屬于局部核函數，公式如下：

[FPolya，aj=a?aj+1θ] （7）

[FRBFa，aj=exp-12σ2a-aj2] ? ? （8）

式中：Poly為多項式核函數;RBF為徑向基核函數。

因為多核混合核函數能彌補每個單一核函數的局限性，具備更好的魯棒性，可以提升區分人臉特征的準確率，有效對行為檢測中的情緒進行分類，創建一種適應多數元分類的多混合核函數，公式如下：

[Fa，aj=τ?FPolya，aj+1-τ?FRBFa，aj] ?（9）

式中，[τ]為加權系數，[τ∈0，1]。

2 ?實驗分析

以某校高一3個班的學生為實驗對象，高一（1）班學生總數65個，具有消極情緒的學生數為23個，高一（2）班的學生總數70個，具有消極情緒的學生數為30個，高一（3）班的學生總數67個，具有消極情緒的學生數為18個，采用本文系統、基于大數據的學生校園行為分析預警管理系統（文獻[6]）和基于面部表情的學習困惑自動識別系統（文獻[7]）分別對3個班級的學生進行心理干預治療及行為監測，為期2個月。三種系統應用后高一年級3個班級中具有消極情緒的學生數對比結果如表1所示。

由表1可知，本文系統能夠及時對存在消極情緒的學生進行心理干預治療，且數量明顯減少，比另外兩個系統的治療效果顯著。實驗結果證明，本文系統能夠對存在消極情緒的學生及時進行心理干預治療，且效果顯著。

檢測到高一3個班的202名學生人臉特征數是500個，采用三種系統對人臉特征數進行檢測，結果如表2所示。

根據實驗發現，只有本文系統能夠檢測出所有人臉特征，其余兩個系統檢測率分別是90%和92%，本文系統誤檢數也低于其余兩個系統。實驗結果證明，本文系統具備較高人臉特征檢測率。

性能測試是用來檢測系統性能是否符合預期目標，通常依據觀察自動化測試工具的模擬程序在真實環境下的運行情況來判斷系統的性能。本文采用Loadrunner軟件測試本文系統和其余兩個系統在高壓力、高負荷情況下的運行情況。人臉特征數與事務執行情況測試結果如表3所示。

根據實驗發現，隨著人臉特征數的增多，三種系統的事務執行情況均開始下降，因為人臉特征數的增多會占用更多的系統資源，所以系統響應時間變長，處理事務速度變慢。本文系統隨著人臉特征數的增加，事務平均響應時間的增加范圍在2～5 ms之間，其余兩個系統的增加范圍分別是4～20 ms與5～22 ms之間;本文系統的事務最大響應時間的增加范圍在2～6 ms之間，其余兩個系統的增加范圍分別是5～12 ms與6～15 ms之間。實驗結果證明，隨著人臉特征數的增加對本文系統事務平均響應時間與事務最大響應時間影響較小，說明本文系統穩定性強。

3 ?結 ?論

本文通過機器視覺對學生心理問題的檢測方法進行研究，設計基于機器視覺的學生心理干預治療及行為檢測系統。利用不同模塊的相互配合檢測學生的不同情緒并及時進行心理干預治療，采用多核LV?SVM模式分類方法使系統的行為檢測更為準確，能夠精準劃分學生不同情緒。實驗結果顯示，本文系統能夠有效檢測出學生的消極情緒并及時進行心理干預治療，使消極情緒學生數量明顯減少，隨著人臉特征數的增加，對系統的反應時間影響較小，系統的穩定性更強。本文系統需在今后實際應用過程中不斷地發現問題，優化性能。

參考文獻

[1] 祝磊，韓自營，阮宇靜，等.基于機器視覺的輪胎胎面檢測系統設計與實現[J].計算機工程與設計，2018，39（6）：1782?1787.

[2] 楊威，俞守華.基于機器視覺的圈養豪豬檢測與基本行為識別方法研究[J].福建農業學報，2017，32（9）：1021?1025.

[3] 吳小進，王文成.基于機器視覺的齒輪質量在線檢測系統[J].機械傳動，2019，43（4）：161?164.

[4] 莫宏偉，汪海波.基于Faster R?CNN的人體行為檢測研究[J].智能系統學報，2018（6）：967?973.

[5] 李玉芳.中職學生心理危機干預系統構建的實證研究：基于河北省衡水衛生學校的案例分析[J].職業技術教育，2019，40（2）：71?75.

[6] 鄧逢光，張子石.基于大數據的學生校園行為分析預警管理平臺建構研究[J].中國電化教育，2017（11）：60?64.

[7] 江波，李萬健，李芷璇，等.基于面部表情的學習困惑自動識別法[J].開放教育研究，2018，24（4）：101?108.

[8] 秦鴻，李泰峰，郭亨藝，等.人臉識別技術在圖書館的應用研究[J].大學圖書館學報，2018，36（6）：49?54.

[9] 熊饒饒，胡學敏，陳龍，等.利用綜合光流直方圖的人群異常行為檢測[J].計算機工程，2017，43（10）：228?233.

[10] 李素姝，王士同，李滔.基于LS?SVM與模糊補準則的特征選擇方法[J].山東大學學報（工學版），2017（3）：34?42.

[11] 梁光勝，曾華榮.基于ARM的智能視頻監控人臉檢測系統的設計[J].計算機應用，2017，37（z2）：301?305.

[12] 龍鑫，蘇寒松，劉高華，等.一種基于角度距離損失函數和卷積神經網絡的人臉識別算法[J].激光與光電子學進展，2018，55（12）：402?413.

[13] 劉峰，孟凡榮，梁志貞.基于一階和二階信息圖像表示的人臉識別[J].計算機應用研究，2017（2）：603?606.

[14] 楊榮堅，王芳，秦浩.基于雙目圖像的行人檢測與定位系統研究[J].計算機應用研究，2018，35（5）：1591?1595.

[15] 艾達，張思哲，劉衛華.基于監控視頻的行人異常行為檢測技術研究[J].電視技術，2018，42（6）：107?112.

作者簡介：高雪冬（1987—），男，河北石家莊人，博士，講師，研究方向為大數據、視覺傳達。

郝小可（1985—），男，天津人，博士，講師，研究方向為數據挖掘。