CN104679967A - 一种判断心理测试可靠性的方法 - Google Patents

Abstract

本发明公开了一种判断心理测试可靠性的方法，其步骤包括：检测用户是否在心理测试；采集用户心理测试时的人脸图像；采用分类器对人脸图像完成心理测试的可靠性分类。本发明的有益效果在于采集用户人脸图像时，不干扰用户，采集的人脸表情真实可靠，可靠性判断速度快，使用方便。

Description

一种判断心理测试可靠性的方法

技术领域

本发明涉及一种判断心理测试可靠性的方法，属于心理测评领域。

背景技术

快节奏的社会生活导致人们出现了各种各样的心理问题，如焦虑、抑郁、悲伤、烦闷等，如果这些心理问题产生过于频繁或强度过高或持续时间过长，就会导致身体疾病或心理疾病。我国古代医书《内经》中就有"怒伤肝,喜伤心,思伤脾,忧伤肺,恐伤肾"的记载。现代医学也认为很多身体疾病与不良心理状态有关，并称此类疾病为心身疾病，因此心理测评有很大的需求，目前国内外已开始建设大量的心理测试网站，发布各种各样的心理测试，以便人们检测自己的心理情况，及时调整，恢复到健康状态。同时独立的心理测试系统也在医学领域得到广泛使用，去帮助心理医生解决人们出现的各种各样的心理问题，包括神经症、心理障碍、人格障碍等，同时还能够对病人进行康复性训练。

心理测试网站或系统一般都是提供有针对性的心理测试试题，供用户选择答案，然后评价测试结果并给予相应的评语，这些测试方法存在的问题是不能很好地判断测试结果的可靠性，不能处理随意选择答案或故意选错答案的情况，因而对用户的评语及建议就不准确。

发明内容

本发明要解决的技术问题是：缺乏心理测试可靠性的判断方法，对用户的评语及建议不准确。

研究表明在心理测试时，任何人随意选择或故意选错答案的同时都会引起一些细微的，不自主的生理、心理反应，这些反应很自然地通过人脸的微表情表现出来。微表情是一种持续时间非常短的表情，往往一闪而过，不为人们所察觉，但却反映了人们极力想掩藏的真实情感，这类情感可以被现代技术所捕捉。现代信息科学的进展，如摄像系统以及红外摄像系统的进步，机器学习领域中出现的新算法，可以捕捉到人在自然状态下脸部微表情的变化和变化的有关数据，进而计算出测试的可靠性程度。

本发明涉及一种判断心理测试可靠性的方法，其特征在于该方法包括以下步骤：

[1] 检测用户是否在心理测试；

[2] 采集用户心理测试时的人脸表情图像，按设定时间间隔采集人脸表情图像，直至用户心理测试结束；

[3] 提取采集的每幅人脸表情图像的图像情感特征，形成一个表情特征向量；

[4] 采用分类器，以每个表情特征向量为输入，输出为可靠性类别。可靠性类别分为两类：可靠和不可靠；

[5] 对所有分类的人脸图像表情中，计算可靠类别所占的比例；

[6] 若此次测试可靠类别所占的比例大于给定阀值，则此次测试是可靠的，否则不可靠。

其中步骤[4]所采用的分类器需要通过训练集训练，训练样本的获取方法包括以下步骤

[1] 选择2N个人做心理测试，其中要求N个人认真做测试，其类别标记为可靠类别，另N个人随机选择或故意错选测试答案，其类别标记为不可靠类别；

[2] 采集2N个人做心理测试时的人脸表情图像及对应的类别；

[3] 抽取每个人脸表情图像的特征向量；

[4] 构造训练数据样本，以人脸表情图像特征向量为输入，其对应的类别为输出，构成训练样本集合。

有益效果

与现有技术相比，本发明一种判断心理测试可靠性的方法具有以下优点：

[1] 没有对用户产生任何干扰，采集的人脸表情真实可靠，心理测试的可靠性判断也准确；

[2] 用户人脸的采集不依赖特别的设备，一般的电脑或智能终端上都有摄像设备，容易采集，而且心理测试的可靠性判断速度快，使用方便。

附图说明

图1 一种判断心理测试可靠性的方法流程图。

具体实施方式

本发明提出的一种判断心理测试可靠性的方法，结合附图和实施例说明如下。

如图1 所示，为一种判断心理测试可靠性的方法流程图，该方法包括以下步骤：

[1] 检测用户是否在心理测试，例如用户正在用手机上网站做心理测试，或者用心理测试系统的计算机做心理测试等；

[2] 采集用户心理测试时的人脸图像，从用户做心理测试时开始，按设定时间间隔连续采集人脸图像，直至用户心理测试结束。采集的图像以时间为文件名保存为JPEG格式文件；

[3] 提取采集的每个JPEG格式文件的人脸图像特征，形成一个特征向量；

[4] 采用分类器，根据每个人脸的特征向量，将心理测试的可靠性分类，输出的类别为可靠和不可靠两类中的一个类别；

[5] 计算此次心理测试的可靠性程度，对所有分类的人脸图像，计算可靠类别所占的比例；

[6] 判断此次心理测试的可靠性。若此次测试可靠类别所占的比例大于给定阀值，这里阀值设置为60%，则此次测试是可靠的，否则不可靠。

其中分类器需要通过训练集训练，训练样本的获取方法包括以下步骤：

[1] 选择1000个人做心理测试，其中要求500个人认真做测试，其类别标记为可靠，另500个人随机选择或故意错选测试答案，其类别标记为不可靠；

[2] 采集以上1000个人做心理测试时的人脸表情图像及对应的类别；

[3] 抽取每个人脸表情图像的特征向量；

[4] 构造训练数据样本，以人脸表情图像特征向量为输入，其对应的类别为输出，构成训练样本集合。

实施案例中的人脸图像处理采用OpenCV提供的API函数实现，包括人脸检测和人脸特征向量的构造等。OpenCV是 Intel 开源计算机视觉库 (Computer Version) ，由一系列 C 函数和少量 C++ 类构成，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV提供了对硬件的访问，可以直接访问摄像头，可以实现人脸图像的采集，图像预处理，包括图像的大小和灰度的归一化，头部姿态的矫正，人脸图像检测等。人脸检测算法采用OpenCV提供的Viola–Jones的级联分类器算法，它是现在比较优秀的人脸检测算法。

人脸图像的特征向量构造

本实施案例采用相同的人脸图像特征向量构造方法。提取人脸图像的特征有两类：第1类，先利用二维离散小波在不明显损失图像信息的基础上对表情图像进行变换,变换后的图像数据量大大减少，再利用离散于余弦变换变换提取代表原图像绝大部分能量的数据作为表情特征矢量。第2类，首先对人脸情感图像进行分割、消噪处理，然后对其作标准化处理，包括尺度归一化和灰度均衡化。对标准化处理后的图像使用固定像素的网格进一步分割，对每一个网格进行Gabor小波变换，取Gabor变换后的小波系数模的均值、方差作为该网格的情感特征向量。最后将两类特征向量串接为一个特征向量作为人脸图像的特征向量。

实施案例利用OpenCV提供的API函数和C++按以上方法构造人脸图像的特征向量。

人脸图像的可靠性分类器

第一个案例: 分类器采用支持向量机

支持向量机(Support Vector Machine,SVM)是由Vapnik领导的AT&TBell实验室研究小组在1995年提出的一种新的非常有潜力的分类技术，它是基于统计学习理论的模式识别方法，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习领域。现在已经在生物信息学，手写识别等许多领域取得了成功的应用。本实施案例直接采用OpenCV提供的SVM代码。

第二个案例: 分类器采用AdaBoost

AdaBoost分类器（Freund Y, Schipare RE. Experiments with a new boosting algorithm. International Conference on Machine Learning.1996: 148−156）是数据挖掘中十大分类算法之一，具有速度快、参数少、简单等优点。AdaBoost分类器中不同的训练集是通过调整每个样本对应的权重来实现的。开始时，每个样本对应的权重是相同的，在此样本分布下训练出一个弱分类器。对于分类错误的样本，加大其对应的权重，而对于分类正确的样本，降低其权重，从而得到一个新的样本分布，在此新样本分布下，再次对弱分类器进行训练，得到另一个弱分类器。依次类推，经过N次循环，就得到N个弱分类器，把N个弱分类器按一定的权重叠加起来，就得到最终想要的强分类器。本实施案例直接采用OpenCV提供的AdaBoost代码。

第三个案例：分类器采用稀疏表示分类器

稀疏表示分类器 SRC（Sparse Representation Classifier ）（John Wright, et al.，Robust Face Recognition via Sparse Representation， IEEE Transactions on Pattern Analysis and Machine intelligence, 2009）的核心思想是，把训练样本视为一组基，将测试样本看作为同类训练样本的线性组合，然后通过求解一个 L1-范数最优化问题的方法计算测试样本的最稀疏表示系数，最后使用测试样本与稀疏表示后的残差大小来进行分类。稀疏表示分类器 SRC采用下列网站提供的代码：

http://www.mathworks.com/matlabcentral/fileexchange/35813-sparse-representations-classifier 。

本领域的普通技术人员应当理解，本发明的技术方案可以进行修改，变形或等同变换，而不脱离本发明技术方案的本质和范围，均覆盖在本发明的权利要求范围之中。

Claims (6)

1.一种判断心理测试可靠性的方法，其特征在于该方法包括以下步骤：

［1］检测用户是否在心理测试；

［2］采集用户心理测试时的人脸表情图像，按设定时间间隔采集人脸表情图像，直至用户心理测试结束；

［3］提取采集的每幅人脸表情图像的图像情感特征，形成一个表情特征向量；

［4］采用分类器，以每个表情特征向量为输入，输出为可靠性类别，可靠性类别分为两类：可靠和不可靠；

［5］对所有分类的人脸图像表情中，计算可靠类别所占的比例；

［6］若此次测试可靠类别所占的比例大于给定阀值，则此次测试是可靠的，否则不可靠。

2.根据权利要求1 所述的一种判断心理测试可靠性的方法，其特征在于所述的步骤[2] 自动采集用户在心理测试时的人脸图像。

3.根据权利要求1 所述的一种判断心理测试可靠性的方法，其特征在于所述的步骤[4]采用的分类器需要训练集，训练样本的获取方法包括以下步骤：

(a) 选择2N个人做心理测试，其中要求N个人认真做测试，其类别标记为可靠类别，另N个人随机选择或故意错选测试答案，其类别标记为不可靠类别；

(b) 采集2N个人做心理测试时的人脸表情图像及对应的类别；

(c) 抽取每个人脸表情图像的特征向量；

(d) 构造训练数据样本，以人脸表情图像特征向量为输入，其对应的类别为输出，构成训练样本集合。

4.根据权利要求1 所述的一种判断心理测试可靠性的方法，其特征在于所述的步骤[4]分类器采用支持向量机分类器。

5.根据权利要求1 所述的一种判断心理测试可靠性的方法，其特征在于所述的步骤[4] 分类器采用稀疏表示分类器。

6.根据权利要求1 所述的一种判断心理测试可靠性的方法，其特征在于所述的步骤[4] 分类器采用AdaBoost分类器。