基于机器视觉的学生心理干预治疗及行为监测系统

高雪冬　郝小可

摘  要： 以准确检测出学生消极情绪并开展针对性心理干预治疗为目的，设计基于机器视觉的学生心理干预治疗及行为监测系统。系统由人脸检测识别模块获取目标图片，并进行灰度化预处理，去除外界环境干扰，利用Viola?Jones算法完成人脸识别，提取人眼张合度、侧脸、抬头与低头等特征;行为检测模块采用多核LV?SVM模式分类方法划分人脸特征识别结果为不同情绪;核心控制模块对结果为消极情绪的人脸特征予以报警;心理干预治疗模块依据报警结果，采取学校主导、家庭辅助、学生参与三种干预措施开展学生针对性心理干预治疗。实验结果证明，该系统的人脸特征检测准确率高、稳定性强，可以对存在消极情绪的学生进行心理干预治疗，且效果显著。

关键词： 心理干预治疗; 行为监测; 系统设计; 机器视觉; 人脸识别; 图像采集

中图分类号： TN931+.3?34; U46                  文献标识码： A                      文章编号： 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师精心的照顾与教育，及时发现学生出现心理问题尤为重要。随着机器视觉技术的快速发展[1?3]，行为监测研究也出现新高潮[4]。将计算机行为监测技术应用在教室内，基于计算机分析图像从中提取有效的检测信息，对检测到的有效信息进行分析，可找出有心理问题的学生[5]。邓逢光等设计了基于大数据的学生校园行为分析预警管理系统[6]，通过学生教育管理与信息技术的融合途径，采集学生行为大数据，建立分析预测模型与可视化模型，对学生行为进行预警安全管控，提升学生教育管理科学水平;江波等设计了基于面部表情的学习困惑自动识别系统[7]，通过逻辑回归、随机森林、深度学习等机器学习算法有效检测学生学习困惑的面部表情，但是上述研究均未解决学生的心理问题。因此，本文设计基于机器视觉的学生心理干预治疗及行为监测系统。行为检测模块中采用多核LV?SVM模式分类算法，可以有效区分学生情绪类别，也可以及时进行心理干预治疗。

式中，核函数是[Fai1，ai2=φTai1φai2]，最后得出LS?SVM分类器判决函数：

[ba=sgnαmbmFa，am+k， i=1，2，…，m]  （6）

全局函数和局部函数属于核函数。泛化能力强、学习能力弱的是全局函数;反之是局部函数。多项式核函数Poly（Polynomial）与径向基核函数（Radial Basis Function，RBF）是常用的核函数，Poly属于全局核函数，RBF属于局部核函数，公式如下：

[FPolya，aj=a?aj+1θ] （7）

[FRBFa，aj=exp-12σ2a-aj2]     （8）

式中：Poly为多项式核函数;RBF为径向基核函数。

因为多核混合核函数能弥补每个单一核函数的局限性，具备更好的鲁棒性，可以提升区分人脸特征的准确率，有效对行为检测中的情绪进行分类，创建一种适应多数元分类的多混合核函数，公式如下：

[Fa，aj=τ?FPolya，aj+1-τ?FRBFa，aj]  （9）

式中，[τ]为加权系数，[τ∈0，1]。

2  实验分析

以某校高一3個班的学生为实验对象，高一（1）班学生总数65个，具有消极情绪的学生数为23个，高一（2）班的学生总数70个，具有消极情绪的学生数为30个，高一（3）班的学生总数67个，具有消极情绪的学生数为18个，采用本文系统、基于大数据的学生校园行为分析预警管理系统（文献[6]）和基于面部表情的学习困惑自动识别系统（文献[7]）分别对3个班级的学生进行心理干预治疗及行为监测，为期2个月。三种系统应用后高一年级3个班级中具有消极情绪的学生数对比结果如表1所示。

由表1可知，本文系统能够及时对存在消极情绪的学生进行心理干预治疗，且数量明显减少，比另外两个系统的治疗效果显著。实验结果证明，本文系统能够对存在消极情绪的学生及时进行心理干预治疗，且效果显著。

检测到高一3个班的202名学生人脸特征数是500个，采用三种系统对人脸特征数进行检测，结果如表2所示。

根据实验发现，只有本文系统能够检测出所有人脸特征，其余两个系统检测率分别是90%和92%，本文系统误检数也低于其余两个系统。实验结果证明，本文系统具备较高人脸特征检测率。

性能测试是用来检测系统性能是否符合预期目标，通常依据观察自动化测试工具的模拟程序在真实环境下的运行情况来判断系统的性能。本文采用Loadrunner软件测试本文系统和其余两个系统在高压力、高负荷情况下的运行情况。人脸特征数与事务执行情况测试结果如表3所示。

根据实验发现，随着人脸特征数的增多，三种系统的事务执行情况均开始下降，因为人脸特征数的增多会占用更多的系统资源，所以系统响应时间变长，处理事务速度变慢。本文系统随着人脸特征数的增加，事务平均响应时间的增加范围在2～5 ms之间，其余两个系统的增加范围分别是4～20 ms与5～22 ms之间;本文系统的事务最大响应时间的增加范围在2～6 ms之间，其余两个系统的增加范围分别是5～12 ms与6～15 ms之间。实验结果证明，随着人脸特征数的增加对本文系统事务平均响应时间与事务最大响应时间影响较小，说明本文系统稳定性强。

3  结  论

本文通过机器视觉对学生心理问题的检测方法进行研究，设计基于机器视觉的学生心理干预治疗及行为检测系统。利用不同模块的相互配合检测学生的不同情绪并及时进行心理干预治疗，采用多核LV?SVM模式分类方法使系统的行为检测更为准确，能够精准划分学生不同情绪。实验结果显示，本文系统能够有效检测出学生的消极情绪并及时进行心理干预治疗，使消极情绪学生数量明显减少，随着人脸特征数的增加，对系统的反应时间影响较小，系统的稳定性更强。本文系统需在今后实际应用过程中不断地发现问题，优化性能。

参考文献

[1] 祝磊，韩自营，阮宇静，等.基于机器视觉的轮胎胎面检测系统设计与实现[J].计算机工程与设计，2018，39（6）：1782?1787.

[2] 杨威，俞守华.基于机器视觉的圈养豪猪检测与基本行为识别方法研究[J].福建农业学报，2017，32（9）：1021?1025.

[3] 吴小进，王文成.基于机器视觉的齿轮质量在线检测系统[J].机械传动，2019，43（4）：161?164.

[4] 莫宏伟，汪海波.基于Faster R?CNN的人体行为检测研究[J].智能系统学报，2018（6）：967?973.

[5] 李玉芳.中职学生心理危机干预系统构建的实证研究：基于河北省衡水卫生学校的案例分析[J].职业技术教育，2019，40（2）：71?75.

[6] 邓逢光，张子石.基于大数据的学生校园行为分析预警管理平台建构研究[J].中国电化教育，2017（11）：60?64.

[7] 江波，李万健，李芷璇，等.基于面部表情的学习困惑自动识别法[J].开放教育研究，2018，24（4）：101?108.

[8] 秦鸿，李泰峰，郭亨艺，等.人脸识别技术在图书馆的应用研究[J].大学图书馆学报，2018，36（6）：49?54.

[9] 熊饶饶，胡学敏，陈龙，等.利用综合光流直方图的人群异常行为检测[J].计算机工程，2017，43（10）：228?233.

[10] 李素姝，王士同，李滔.基于LS?SVM与模糊补准则的特征选择方法[J].山东大学学报（工学版），2017（3）：34?42.

[11] 梁光胜，曾华荣.基于ARM的智能视频监控人脸检测系统的设计[J].计算机应用，2017，37（z2）：301?305.

[12] 龙鑫，苏寒松，刘高华，等.一种基于角度距离损失函数和卷积神经网络的人脸识别算法[J].激光与光电子学进展，2018，55（12）：402?413.

[13] 刘峰，孟凡荣，梁志贞.基于一阶和二阶信息图像表示的人脸识别[J].计算机应用研究，2017（2）：603?606.

[14] 杨荣坚，王芳，秦浩.基于双目图像的行人检测与定位系统研究[J].计算机应用研究，2018，35（5）：1591?1595.

[15] 艾达，张思哲，刘卫华.基于监控视频的行人异常行为检测技术研究[J].电视技术，2018，42（6）：107?112.

作者简介：高雪冬（1987—），男，河北石家庄人，博士，讲师，研究方向为大数据、视觉传达。

郝小可（1985—），男，天津人，博士，讲师，研究方向为数据挖掘。