【技术实现步骤摘要】
本专利技术涉及图像处理，尤其是一种基于图像信息数据处理的心理健康智能分析系统。
技术介绍
1、心理疾病严重的困扰着人们的身心健康，并且心理疾病在人群中有着较高的病发率。抑郁症作为一种常见的心理疾病，尤其在一些例如船员等特种作业的人员中高发。抑郁症主要体现为心情低落、思维迟缓以及意志活动减退，严重的还会导致躯体症状。研究表示，抑郁症患者中有45％～55％的病人曾出现过自杀行为，每年因抑郁症而自杀死亡的人数高达100万人。因此抑郁症的早期诊治尤为重要，然而只有很少一部分抑郁症患者能接受早期及时治疗。人体面部表情的变化能够较为显著的反映出人员心理活动状况，人体行为数据同样能够从一定程度上反映人的心理变化情况，能够作为一项辅助能力较为突出的被测人员心理健康状态判断数据。但现有技术仅侧重于对人体面部微表情进行识别分析，其识别方法较为单一，故本专利技术提出一种基于图像信息数据处理的心理健康智能分析系统，对被测人员的面部数据和人体行为数据，如肢体语言数据等进行综合分析考虑，提升对于人员心理状态的分析准确率。
技术实现思路
1、本专利技术的目的是通过提出一种基于图像信息数据处理的心理健康智能分析系统，以解决上述
技术介绍
中提出的缺陷。
2、本专利技术采用的技术方案如下：
3、提供一种基于图像信息数据处理的心理健康智能分析系统，包括：
4、图像采集模块：用于分别监测采集第一图像数据和第二图像数据；
5、图像增强模块：用于对采集的第一图像数据和第二图像数据
6、特征提取模块：用于对增强后的第一图像数据和第二图像数据分别进行特征提取处理；
7、智能分析模块：用于根据特征提取结果进行心理健康智能分析。
8、作为本专利技术的一种优选技术方案：所述图像采集模块播放预设时长的视频数据供被测用户进行观看，并采集被测用户在预设时长内产生的第一图像数据和第二图像数据。
9、作为本专利技术的一种优选技术方案：所述图像增强模块基于图像增强算法对采集的第一图像数据和第二图像数据进行相同的图像增强处理。
10、作为本专利技术的一种优选技术方案：所述图像增强算法具体如下：
11、统计原始图像a中每个灰度级别的像素数量，计算缩放因子：
12、
13、其中，为缩放因子，vmax为图像期望最大灰度值，vmin为图像期望最小灰度值，fmax为图像最大灰度值，fmin为图像最小灰度值；
14、计算图像中每个像素点的新灰度级别：
15、
16、其中，f为新灰度值，f为图像当前灰度值，
17、对图像进行高斯滤波：
18、afiltered＝a×h
19、其中，afiltered为高斯滤波后的图像，h是高斯滤波器的系数矩阵；
20、再对图像进行滤波处理：
21、
22、其中，μ为锐化掩模，为经过灰度级别调整后的图像；
23、a′＝afiltered+μ
24、其中，a′为滤波处理后的图像。
25、所述高斯滤波器的系数矩阵为h：
26、
27、其中，σ是高斯滤波器的标准差，x和y是像素点的坐标。
28、作为本专利技术的一种优选技术方案：所述特征提取模块基于改进的lbp特征提取算法引入特征阈值，将中心像素点的灰度值与像素区域内各边缘像素点的灰度值进行比较，分别提取经过增强处理后的第一图像数据和第二图像数据的特征数据。
29、作为本专利技术的一种优选技术方案：所述特征提取算法具体如下：
30、引入特征阈值∈如下：
31、
32、其中，n为以r为半径的邻域上均匀选取像素点的个数，fi为经过增强处理后的图像的第i个像素点的灰度值，fc为经过增强处理后的图像的中心像素点的灰度值；
33、用各边缘像素点灰度值与中心像素点灰度值差值的绝对值与引入阈值∈进行比较编码：
34、
35、其中，s(·)为编码公式；fn为邻域像素点的灰度值；
36、将编码结果转化成十进制数：
37、
38、
39、其中，ln，r(a，b)为图像特征数据，θi为第i个邻域，为第个邻域；
40、基于提取结果生成第一图像数据和第二图像数据的特征数据。
41、作为本专利技术的一种优选技术方案：所述智能分析模块基于融入空间注意力和通道注意力特征融合机制的cnn网络对提取的第一图像数据和第二图像数据的特征数据进行特征融合识别分类。
42、作为本专利技术的一种优选技术方案：所述空间注意力和通道注意力特征融合机制放置于cnn网络的最后一层卷积层的各个残差块之间，通过替换后的cnn网络进行特征数据的识别分类；
43、所述空间注意力和通道注意力特征融合机制具体如下：
44、将获取的第一图像数据和第二图像数据的特征数据分别经过最大池化与平均池化，分别得到第一图像数据和第二图像数据的通道平均池化特征图与通道最大值池化特征图，得到第一图像数据和第二图像数据的通道特征图如下：
45、
46、
47、
48、其中，δc(x)为第一图像数据的通道特征图，δc′(y)为第二图像数据的通道特征图，x为经过特征提取获取的第一图像数据的特征数据，y为经过特征提取获取的第二图像数据的特征数据，ω1、ω0为中间神经网络权重，σ(·)为sigmoid函数，为第一图像数据的通道平均池化特征图，为第一图像数据的通道最大池化特征图，为第二图像数据的通道平均池化特征图，为第二图像数据的通道最大池化特征图，δ为融合第一图像数据与第二图像数据的通道特征图，为数组元素依次相乘，为数组元素依次相加；
49、融入空间注意力机制：
50、z＝σ(f7×7(avg(δ)；max(δ)))
51、其中，z为空间注意力生成的特征图，f7×7为7×7大小的卷积，avg(·)为空间平均池化特征图，max(·)为空间最大池化特征图；
52、对第一图像数据和第二图像数据进行多尺度注意力融合：
53、
54、其中，zh为经过注意力融合后的第h个图像特征，m(·)为注意力机制连接方式，x为第一图像数据和第二图像数据的底层特征图，y为高层卷积得到的第一图像数据和第二图像数据的特征图；
55、
56、其中，ph为第h个图像数据的分类结果，e为数学常量，t为向量的转置，为zh的权重，bh为第h个图像数据的对应的偏置向量，h为注意力融合后的图像特征数据总数。
57、基于损失函数l进行图像数据的识别分类：
58、
59、其中，γh为第h个图像数据的独热编码形式，ε、ρ为可调节因子。
60、作为本专利技术的一种优选技术方案：所述空间注意力和通道注本文档来自技高网...
【技术保护点】
1.一种基于图像信息数据处理的心理健康智能分析系统，其特征在于：包括：
2.根据权利要求1所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像采集模块(100)播放预设时长的视频数据供被测用户进行观看，并采集被测用户在预设时长内产生的第一图像数据和第二图像数据。
3.根据权利要求2所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像增强模块(200)基于图像增强算法对采集的第一图像数据和第二图像数据进行相同的图像增强处理。
4.根据权利要求3所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像增强算法具体如下：
5.根据权利要求4所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述高斯滤波器的系数矩阵为H：
6.根据权利要求5所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述特征提取算法具体如下：
7.根据权利要求6所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述智能分析模块(400)基于融入空间注意力和通道
8.根据权利要求7所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述空间注意力和通道注意力特征融合机制放置于CNN网络的最后一层卷积层的各个残差块之间，通过替换后的CNN网络进行特征数据的识别分类；
9.根据权利要求8所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述空间注意力和通道注意力特征融合机制基于改进粒子群算法对中间神经网络权重进行寻优：
10.根据权利要求9所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述智能分析模块(400)还分别预设零风险、低风险中风险和高风险等级，并划分对应阈值范围对被测用户心理健康状态进行识别判断。
...【技术特征摘要】
1.一种基于图像信息数据处理的心理健康智能分析系统，其特征在于：包括：
2.根据权利要求1所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像采集模块(100)播放预设时长的视频数据供被测用户进行观看，并采集被测用户在预设时长内产生的第一图像数据和第二图像数据。
3.根据权利要求2所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像增强模块(200)基于图像增强算法对采集的第一图像数据和第二图像数据进行相同的图像增强处理。
4.根据权利要求3所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述图像增强算法具体如下：
5.根据权利要求4所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述高斯滤波器的系数矩阵为h：
6.根据权利要求5所述的基于图像信息数据处理的心理健康智能分析系统，其特征在于：所述特征提取算法具体如下：
...【专利技术属性】
技术研发人员：杨伟樱，刘月，李晔，兰天，
申请(专利权)人：陕西工业职业技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。