本发明涉及一种基于群体温度监测的情绪预测方法。
背景技术：
随着经济技术的不断发展和生活节奏的日益加快，人们生活的压力越来越大，越来越多的人产生诸多心理方面的障碍或疾病；青少年更是高危群体，面临学习生活以及中考、高考等各个关键转折点，容易受到发育期间激素的影响，更易发生心理方面的障碍或疾病；而且青少年大部分时间都处于高压学习状态，家长又忙于工作和家务，难以及时发现孩子的情绪变化，更易导致孩子心理障碍或疾病恶化。若能及时预测一些特定场合或环境内群体的情绪变化，可解决或避免很多心理障碍或疾病。
目前情绪预测从整体上包括相对人体接触式和非接触式两种，非接触式的情绪预测更有利于在群体内或特定环境中使用，而且具有一定的隐藏性。非接触式主要采用识别面部微表情进行预测，但是面部微表情检测困难，会导致增加面部微表情识别的误差，极大的影响检测结果的准确性。
经研究表明，下丘脑为情绪变动和体温变化的中枢传导，情绪变化影响下丘脑，而下丘脑分泌激素影响体温变动。当人们兴奋、紧张或发怒时体温升高；当人们心情低落、或过渡悲哀时体温下降，情绪与体温具有紧密的联系，而对人体体温的监测技术成熟且监测结果准确，但目前没有非接触式的基于人体体温预测情绪的方法。
技术实现要素：
为解决现有技术中非接触式的情绪预测方法准确性预测的问题，本发明提出一种基于群体温度监测的情绪预测方法。
本发明的技术方案是这样实现的：
一种基于群体温度监测的情绪预测方法，包括：连续获取被监测群体的红外热图像；基于每一幅红外热图像对被监测群体的每个人的人体温度进行监测；实时判断每个人的人体温度是否异常，获取每个人的温度监测信息；基于观测时段内获取的所有温度监测信息判断每个人的人体温度在预设时段内是否异常；对判断结果为异常的人实时进行情绪调查，在观测时段内定时对所有人进行情绪调查；根据所有人的情绪调查结果和对应的人体温度是否异常建立情绪预测模型；在情绪预测模型中输入某个人的特定参数预测情绪。
优选的是，基于每一幅红外热图像对被监测群体的每个人的人体温度进行监测，每个人的人体温度为每一个人的若干部位的温度，若干部位可从以下部位中任意选取，额头、脸颊、脖子、眼角、手臂、胸部、足部和手部；每个部位的温度监测信息为该部位对应在每一幅红外热图像上位置的像素值的平均值；每个人的若干部位的温度为该人的人体温度。
优选的是，基于每一幅红外热图像对被监测群体的每个人的人体温度进行监测，实时判断每个人的人体温度是否异常的具体方式为：基于每一幅红外热图像计算每个人的每个部位的温度，计算所有人的同一部位温度的平均温度值，计算每个人的每个部位的温度与该部位的平均温度值的差值温度；给定温差阈值，若任一个人的任一个部位的差值温度的绝对值大于温差阈值，判断这个人的这个部位的人体温度为异常。
优选的是，基于观测时段内获取的所有温度监测信息判断每个人的人体温度在预设时段内是否异常，具体包括：从观测的起点开始，在每一预设时段内统计每一个人的每个部位连续出现异常的所有时段，给定时段阈值，大于时段阈值的时段记为异常时段；在该预设时段内统计每一个人的每个部位的所有异常时段的总长度，并计算该总长度与预设时段长度的比值，给定比例阈值，大于比例阈值的比值所对应的特定人的特定部位在预设时段内判断为异常，在每个预设时段内，任一人的任一部位的判断结果为异常则发出警告。
优选的是，对判断结果为异常的人实时进行情绪调查，具体包括：建立能够反应情绪类别的问答卷，情绪类别可设置为开心、抑郁、愤怒、焦虑和正常；使在预设时段内判断结果为异常的人填写一份所述问答卷。
优选的是，在观测时段内定时对所有人进行情绪调查，具体包括：定时让每个人填写一份所述问答卷，记录观测时段内所有人参加的群体活动和参加时间。
优选的是，根据所有人的情绪调查结果和对应的人体温度是否异常建立情绪预测模型，具体包括：根据实时进行情绪调查的人填写完成的问答卷识别对应的人的情绪类别，根据定时情绪调查的所有人填写完成的问答卷识别每个人在每个定时的情绪类别，结合对应时间段每个人的人体温度是否异常、以及对应时间内的群体活动的数据，采用机器学习方法根据所有的数据进行训练，建立情绪预测模型。
优选的是，在情绪预测模型中输入任一个人的特定参数预测情绪中的特定参数是指该人的每个部位的温度是否异常和与其同时间所对应的这个人参与的集体活动。
优选的是，所述的情绪预测方法中，还包括：在预测情绪后，对预测的情绪异常的人对其进行情绪调查，将此人的每个部位的温度是否异常、同时间参加的集体活动和情绪调查结果添加到建立情绪预测模型的训练数据中，修正情绪预测模型。
优选的是，连续获取被监测群体的红外热图像，具体包括：利用红外摄像机连续采集被监测群体的初始红外热图像；对初始红外热图像进行中值滤波去噪，获取初步去噪图像；设定有效温度阈值，在初步去噪图像中去除不在有效温度阈值内的像素点，获取有效像素点；设定局部区域阈值，计算每个有效像素点与其周围局部区域内的有效像素点的像素差值，并计算每个有效像素点的所有像素差值的平均值，统计所有有效像素点的平均值的分布直方图，并根据其计算初步去噪图像的平均差值记为噪声水平，根据噪声水平设置高斯滤波器，并对初步去噪图像进行高斯滤波处理，获取二次去噪图像；设定帧数阈值，在首次帧数阈值前的二次去噪图像为被监测群体的红外热图像，在连续处理的二次去噪图像中，每隔帧数阈值更新一次噪声水平，根据更新后的噪声水平重新进行高斯滤波处理，获取被监测群体的红外热图像。
本发明的有益效果为：本发明提出的一种基于群体温度监测的情绪预测方法，基于连续采集的每一幅红外热图像对群体内的每一个人的人体温度进行监测，实时判断每个人的人体温度是否异常；然后基于整个观测时段内所有人的温度监测信息判断其中任一个人在预设时段的人体温度是否异常，并非直接判断被监测人员的温度，提高判断的准确性，结合观测时段内的情绪调查，增加建立情绪模型的精度，提高情绪预测的精准性。观测时段大于预设时段，在观测时段内设有预设时段更能够及时准确的反馈被监测者的人体温度，增加观测时段内判断每个人的人体温度的准确性。
本发明的情绪预测方法能够及时预测群体内任一个人的情绪的异常，及时辅助予人工干预，能够及时地预防心理障碍或疾病，甚至于及时解决心理障碍或疾病。非接触式的情绪预测方法，更有利于保护被监测的个人隐私。
本发明的情绪预测方法，对群体中的任一人进行情绪预测后，对预测的情绪异常的人对其进行情绪调查，将此人的每个部位的温度是否异常、同时间参加的集体活动和情绪调查结果添加到建立情绪预测模型的训练数据中，修正情绪预测模型，不断提高模型预测的准确性。
具体实施方式
下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：一种基于群体温度监测的情绪预测方法，包括以下步骤：1、利用红外摄像机无接触的连续获取被监测群体的初始红外热图像；2、将初始红外热图像进行去噪处理，得到被监测群体的红外热图像，红外热图像由像素矩阵表示，像素矩阵的值表示与被测人体的温度直接相关的热辐射强度值，基于红外摄像机标定数据对红外热图像进行处理，使得红外热图像的每个像素值表示温度值；3、基于每一幅红外热图像对被监测群体的每个人的八个部位的人体温度进行监测，即被监测的群体内的每一个人与其八个部位的人体温度是一一对应，具体方式可以为，对第一帧红外热图像进行人脸识别，获取每个人的个人信息，依次对每一幅红外热图像利用mobilenetssd算法进行人体检测，利用sort算法对检测到的人体跟踪，并利用openpose方法检测每一个人的骨骼点，获取对应时间内每一个人的位置和每一个人的额头、脸颊、脖子、眼角、手臂、胸部、足部和手部八个部位位置，每个人所选取八个部位是相同的；4、实时判断每个人的八个部位的人体温度是否异常，每个人八个部位的任一个部位的人体温度为该部位对应在所在的红外热图像上位置的像素值的平均值，在同一幅红外热图像上，计算所有人的同一部位温度的平均温度值，计算每个人每个部位的温度与该部位的平均温度值的差值温度，给定温差阈值，若任一个人的任一个部位的差值温度的绝对值大于温差阈值，判断这个人的这个部位的人体温度为异常，获取每个人的温度监测信息，每个人的温度监测信息包括每个人八个部位的人体温度的正常或异常信息；5、设定观测时段和预设时段，预设时段在观测时段内，例如观测时段为5天，预设时段为45分钟，即从观测的起点开始，每45分钟内判断每个人的人体温度在这45分钟内是否异常，从观测的起点开始，统计45分钟内每一个人的每个部位连续出现异常的所有时段，给定时段阈值，大于时段阈值的时段记为异常时段，统计每一个人的每个部位的所有异常时段的总长度，并计算该总长度与45分钟的比值，给定比例阈值，大于比例阈值的比值所对应的特定人的特定部位判断为异常，在每个预设时段内，任一人的任一部位的判断结果为异常则发出警告；6、建立能够反应情绪类别的问答卷，情绪类别可设置为开心、抑郁、愤怒、焦虑和正常，对第5步中在每个预设时段内判断结果为异常的所有人使其实时填写一份问答卷，根据填写完成的问答卷识别每个人的情绪属于情绪类别中的哪种，对观测时段的所有人定时让每一个人填写一份所述问答卷并根据填写完成的问答卷识别对应人的情绪属于情绪类别中的哪种，记录观测时段内所有人参加的群体活动和时间；7、根据每一次识别的情绪类别、对应时间段每个人的人体温度是否异常、以及对应时间内的群体活动的数据，采用rnn机器学习方法根据所有的数据进行训练，建立情绪预测模型；8、情绪预测模型再根据群体内任一人的人体温度是否异常和其所参加的群体活动预测该人的情绪；9、根据预测结果，对预测的情绪异常的人对其进行情绪调查，将此人的每个部位的温度是否异常、同时间参加的集体活动和情绪调查结果添加到建立情绪预测模型的训练数据中，修正情绪预测模型，提高情绪预测模型的准确性。预测每个人的情绪能够及时针对个人做出对应措施的防御或解决，避免产生心理障碍或疾病，甚至于及时发现更有助于治疗心理障碍或疾病。
实施例一中的第1步骤中连续获取初始红外热图像，获取每一幅初始红外热图像是有对应时间点的，因此，实时判断每一幅红外热图像中的八个部位的人体温度正常或异常均有对应的时间点。本发明中的群体是指2人及2人以上。
实施例一中的第2步骤的对连续获取的每一幅初始红外热图像依次进行去噪处理，具体方式为：对初始红外热图像进行中值滤波去噪，获取初步去噪图像；设定有效温度阈值，在初步去噪图像中去除不在有效温度阈值内的像素点，获取有效像素点；设定局部区域阈值，计算每个有效像素点与其周围局部区域内的有效像素点的像素差值，并计算每个有效像素点的所有像素差值的平均值，统计所有有效像素点的平均值的分布直方图，并根据其计算初步去噪图像的平均差值记为噪声水平，根据噪声水平对初步去噪图像进行高斯滤波处理，获取二次去噪图像；设定帧数阈值，在首次帧数阈值前的二次去噪图像为被监测群体的红外热图像，在连续处理的二次去噪图像中，每隔帧数阈值更新一次噪声水平，根据更新后的噪声水平重新进行高斯滤波处理，获取被监测群体的红外热图像。该去噪效果能够在去除噪声的同时更好的保留红外热图像的边界。
实施例一中的第3步骤中的对第一帧红外热图像进行人脸识别用以获取群体内每个人的个人信息，用以确保群体内的每一个人与监测的温度、与对应的人体温度异常情况和情绪类别以及参加的群体活动相匹配，避免在观测时段内出现的流动人员与监测的温度、温度是否异常、情绪类别以及参加的群体活动出现匹配失误。若在观测时段内，监测的群体内没有人离开，在每一幅红外热图像上利用人体跟踪和骨骼点检测获取每个人在对应时间点的人体位置和骨骼点位置，对每个人进行温度监测，获取观测时段内每个人的人体温度是否异常、情绪类别以及参加的群体活动，不需要对该观测时段内的每幅红外热图像都进行人脸识别；若中途有人离开又回来，重新进行人脸识别，再次对此人的人体温度进行监测，将其离开前监测的人体温度、获取的人体温度是否异常、情绪类别及参加的群体活动与回来后监测的人体温度、获取的人体温度是否异常、情绪类别及参加的群体活动在相应的时间点进行衔接，获取该人在整个观测时段内所有的人体温度是否异常、对应时间的情绪类别以及参加的群体活动；若有新人员加入，先对其进行人脸识别获取个人信息，在该时段至剩余的观测时段中监测此人的温度、获取的人体温度是否异常、情绪类别及参加的群体活动。人脸识别可采用任意可实现该功能的方法进行人脸识别，人脸识别也可用其他任何能够准确识别群体内每个人的方式或方法替代，用以保证在观测时段内能正确匹配每个人的人体温度异常数据和对应时间的情绪类别和参加的群体活动。
实施例一中，在连续的观测时段内，允许中途有人离开或加入，也允许人离开后再回来或不回来，在连续的观测时段内，要准确记录每个人对应的人体温度是否异常、对应时间的情绪类别以及参加的集体群体活动。
实施例一中的第3步骤中的mobilenetssd算法、sort算法和openpose方法均为现有算法；每个人所选取的若干部位可以是除已选的八个部位外的人体其他部位，根据实际所需可不同选取。红外热图像中的人体检测可利用现有的hog（histogramoforientedgridients）、ssd（histogramoforientedgridients）算法、yolo（youonlylookonce:unified,real-timeobjectdetection）或r-cnn（region-convolutionalneuralnetworks）或其他类型的目标检测算法。对检测到的人体跟踪可使用mil（multipleinstancelearning）算法、kcf（kernelizedcorrelationfilter）算法、tld（tracking-learning-detection）算法、medianflow算法、gotrun算法和mosse（minimumoutputsumofsquarederrorfilter）算法或其他类型的目标跟踪算法，人体骨骼点检测同样可以使用其他任何可以实现相应功能的算法。
实施例一中的第4步骤中通过计算群体中所有人每个部位的平均温度值和每个人的每个部位的温度差值，利用温度差值间的差异来判断每个人的每个部位是否异常，主要是因为人体的温度受各种因素的影响，直接根据每个人的绝对人体温度判断异常正确率较低，利用红外摄像机拍摄的红外热图像计算人体的绝对温度，绝对误差精度为1到2度，而计算群体间不同人的相对温度，相对误差精度可达0.03度，所以本发明通过统计个体和群体的人体温度差异来判断个体的温度是否异常，提高检测的准确性。群体是指2人及2人以上，一般来讲，群体人数越多，测量个人的人体温度异常信息越准确。
实施例一中的第5步骤中，在每个预设时段内，任一人的任一部位的判断结果为异常则发出警告，警告方式多样化，可为语音提示，可为指示灯提示，在于提醒监测人员实时对每个预设时段内判断结果为异常的所有人进行情绪调查。
实施例一中的第6步骤中的问答卷可以是多种形式的问答卷，问答卷中的问题和答案的设计多样化，问答卷可以采用国际标准，比如phq-9情绪自测表，也可自定义问答卷，能够满足反映出群体内答卷人的情绪类别，当然此处也可以使用任意可帮助获取被观测人员情绪类别的方法进行情绪调查；情绪类别还可包括悲哀、伤心、恐惧等其他形式，根据所监测的群体的不同可选择不同的情绪类别；群体活动根据实际情况记录，比如，室内文化课、室内自习、室外活动、室内吃饭、室内工作、室内会议等各种情形，通过记录群体活动事件来获取群体的宏观或整体信息，突出放大个体差异，帮助获取群体中的异常人员，提高情绪模型建立的准确性。
实施例一的第6步骤中对判断结果为异常的人实时进行情绪调查，该实时指的是在预设时段内发现异常的人，立即对该异常的人进行情绪调查；对观测时段内的所有人定时进行情绪调查，指的是无论是否有异常的人，都会定时对所有人进行情绪调查，此处定时可设定为每隔一段时间一次，也可设定为某时刻进行一次，根据实际监测的群体和群体所处的环境进行设定。判断结果为异常的人指的是任一部位判断结果为异常的人。
实施例一中第4步骤，用j表示一个人的八个部位的任一个部位标号，j=1,2，3,…,8，当前红外热图像上共p个人，用i表示每个人的标号，i=1,2,3,…,p，每个人的每个部位的温度表示为t(i,j)，所有人的同一部位温度的平均温度值为
实施例一中的第7步骤中的rnn机器学习算法是现有算法，同样可以采用任意可实现相应功能的算法进行处理，例如其他ml相关分析算法。
实施例一中的第8步骤中的情绪预测，一般是针对群体内所有体温异常的人进行情绪预测，当然也可以对每个人进行情绪预测。第8步骤中的再根据群体内任一人的人体温度是否异常和其所参加的群体活动预测该人的情绪，这里的任一人的人体温度是否异常和其所参加的群体活动可以是该人某一次的人体温度异常情况和参加的群体活动情况，也可以是该人一段时间内的人体温度异常情况和所参加的群体活动情况。如果只是该人某一次的人体温度异常情况和参加的群体活动情况，则预测结果正确率低一些，因为一次的体温情况存在偶然性；如果是该人的一段时间内的人体温度异常情况和参加的群体活动情况，则预测结果正确率较高。
实施一中的第9步骤能够进一步修正情绪预测模型，增加情绪预测模型的精确性，而且随着添加的数据越多，越加精确；第9步骤去掉之后，情绪预测模型仍可对所监测的群体进行情绪预测。第9步骤中的情绪异常为出现抑郁或愤怒或焦虑任一种；该情绪异常也可根据实际情况进行定义，一般将情绪种类中负面的情绪定义为异常情绪。
实施例一中，在群体中同时监测每一个人的若干个身体部位的温度，通过比对群体中的每一个人的任一个部位的温度与其余人员的同一部位的平均温度值的差值温度，再与温度阈值进行比较，最后判断这个人的这个部位的人体温度是否异常，以此获取每个人的温度监测信息；而不是直接检测每一个人的体温，人体的体温受各种因素的影响，本发明提高获取每一个人的温度监测信息的稳定性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。