买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安科技大学申请的专利基于神经网络的安全心理压力识别方法与系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121482849B 。

龙图腾网通过国家知识产权局官网在2026-03-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610025521.5，技术领域涉及：G06V40/16；该发明授权基于神经网络的安全心理压力识别方法与系统是由李琰;杨如意;熊奥设计研发完成，并于2026-01-09向国家知识产权局提交的专利申请。

本基于神经网络的安全心理压力识别方法与系统在说明书摘要公布了：本发明涉及图像识别技术领域，具体涉及基于神经网络的安全心理压力识别方法与系统，包括：采集第一图像和第二图像；获取第一图像和第二图像的关键点坐标；获取高质量的第一图像；确定关键点的表情表现度；利用关键点的表情表现度，获取判别器改进后的损失函数；基于改进后的损失函数，获取扩充图像；将扩充图像和高质量的第一图像作为输入，利用交叉熵损失函数对表情识别神经网络进行训练，得到训练好的表情识别神经网络；将第三图像输入训练好的表情识别神经网络中，输出矿工表情的概率序列；基于矿工表情的概率序列，确定矿工的压力等级。本发明能够训练得到具有更好识别能力的情绪识别网络，获得更精确的压力识别结果。

本发明授权基于神经网络的安全心理压力识别方法与系统在权利要求书中公布了：1.基于神经网络的安全心理压力识别方法，其特征在于，该方法包括以下步骤： 采集第一图像和第二图像；其中第一图像表示各矿工在煤矿井下的人脸图像，第二图像表示各矿工未进入煤矿井下时的中性表情图像； 将第一图像和第二图像分别输入人脸关键点检测模型中，获取第一图像和第二图像的关键点坐标； 基于第一图像的关键点坐标，获取高质量的第一图像，具体包括： 基于每个第一图像的关键点坐标，定位每个第一图像中每个五官所对应关键点集合； 基于每个五官所对应关键点集合，构建每个五官的最小外接矩形，并将最小外接矩形确定为每个五官对应区域； 从第一图像中裁剪出与每个五官对应区域相同的区域，并将裁剪出的各区域确定为每个五官的局部图像块； 从每个五官的所有局部图像块中抽取若干局部图像块，并将抽取的每个局部图像块的拉普拉斯方差中的最小方差，确定为每个五官的局部图像块的方差； 将所有五官的局部图像块的方差中的最小方差，确定为方差阈值； 将所有五官的局部图像块的拉普拉斯方差均大于方差阈值的第一图像，确定为高质量的第一图像； 基于高质量的第一图像和第二图像的关键点坐标，确定每个关键点的表情表现度，具体包括： 基于高质量的第一图像和第二图像的关键点坐标，采用三角剖分的方法，构建第一人脸关键点图和第二人脸关键点图；其中第一人脸关键点图表示高质量的第一图像的人脸关键点图，第二人脸关键点图表示第二图像的人脸关键点图； 根据第一人脸关键点图和第二人脸关键点图，确定每个关键点的密度变化关系和变化方向值，具体包括： 针对第一人脸关键点图中每个关键点，获取与关键点直接相连的节点数量，以及与关键点直接相连的节点所围成的面积，并将面积与节点数量的比值确定为每个关键点在第一人脸关键点图中的密度； 针对第二人脸关键点图中每个关键点，获取与关键点直接相连的节点数量，以及与关键点直接相连的节点所围成的面积，并将面积与节点数量的比值确定为每个关键点在第二人脸关键点图中的密度； 针对第一人脸关键点图和第二人脸关键点图中的同一个关键点，统计关键点在第一人脸关键点图中的密度大于其在第二人脸关键点图中的密度的频率，以及关键点在第一人脸关键点图中的密度小于其在第二人脸关键点图中的密度的频率，将两个频率中大于预设的频率阈值的频率所对应的密度关系，确定为每个关键点的密度变化关系； 对于每个矿工所对应的高质量的第一图像和第二图像中的同一个关键点，获取关键点从第二图像中的位置变化为高质量的第一图像中的位置的运动方向，并将运动方向的角度确定为每个关键点的方向值； 统计每个关键点的各个方向值出现的频率，并将大于预设的频率阈值的频率所对应的方向值确定为每个关键点的变化方向值； 利用每个关键点的密度变化关系和变化方向值，得到每个关键点的关联关键点，具体包括： 针对所有关键点中的任意两个关键点，比较两个关键点的密度变化关系是否一致； 在两个关键点的密度变化关系一致的情况下，统计两个关键点的变化方向值出现在同一个高质量的第一图像中的次数，并计算两个关键点的变化方向值分别出现在高质量的第一图像中的次数的和值； 将两个关键点的变化方向值出现在同一个高质量的第一图像中的次数，与两个关键点的变化方向值分别出现在高质量的第一图像中的次数的和值的比值，确定为两个关键点的关联性； 当两个关键点的关联性大于预设的关联性阈值时，确定两个关键点为关联关键点； 基于获取的所有关联关键点，确定每个关键点的关联关键点； 基于高质量的第一图像和第二图像的关键点坐标，获取每个关键点的纹理描述子和中性纹理描述子，具体包括： 针对高质量的第一图像，以每个关键点坐标为中心，截取固定大小的图像区域，并将截取的图像区域确定为高质量的第一图像中每个关键点所对应区域； 计算高质量的第一图像中每个关键点所对应区域的LBP直方图，生成对应的LBP特征向量，并将LBP特征向量确定为每个关键点的纹理描述子； 针对第二图像，以每个关键点坐标为中心，截取固定大小的图像区域，并将截取的图像区域确定为第二图像中每个关键点所对应区域； 计算第二图像中每个关键点所对应区域的LBP直方图，生成对应的LBP特征向量，并将LBP特征向量确定为每个关键点的中性纹理描述子； 利用每个关键点的纹理描述子、中性纹理描述子以及关联关键点，获取每个关键点的表情表现度，具体包括： 针对每个矿工所对应的高质量的第一图像和第二图像中的同一个关键点，计算关键点的纹理描述子与其中性纹理描述子的余弦相似度，并将余弦相似度确定为每个关键点的相似度； 计算每个关键点的所有相似度的均值，并将1与均值的差值确定为每个关键点的自身表现度； 获取每个关键点的关联关键点的自身表现度的均值； 将每个关键点的关联关键点数量与68的比值，和每个关键点的关联关键点的自身表现度的均值的乘积，确定为每个关键点的关联关键点表现度； 将每个关键点的自身表现度和每个关键点的关联关键点表现度的均值，确定为每个关键点对当前表情的表现度； 将每个关键点对每种表情的表现度的均值，确定为每个关键点的表情表现度； 利用每个关键点的表情表现度，获取cGAN网络判别器改进后的损失函数，具体包括： 获取输入cGAN网络判别器的人脸图像的关键点坐标； 将每个关键点的表情表现度乘以20之后最接近的正整数，确定为每个关键点的影响范围； 将以每个关键点坐标为中心，每个关键点的影响范围为半径所构成的圆形区域，确定为每个关键点的影响区域；其中每个关键点的影响区域中的权重为每个关键点的表情表现度； 将所有关键点的影响区域进行叠加，形成一张与输入cGAN网络判别器的人脸图像大小相同的权重图； 基于权重图，获取cGAN网络判别器改进后的损失函数； 其中cGAN网络判别器改进后的损失函数的计算方式为：逐像素计算高质量的第一图像与生成图像的差值平方，再乘以权重图中对应位置的权重值，最后对所有像素的加权结果求和； 基于cGAN网络判别器改进后的损失函数，获取扩充图像； 将扩充图像和高质量的第一图像作为输入，利用交叉熵损失函数对表情识别神经网络进行训练，得到训练好的表情识别神经网络； 将第三图像输入训练好的表情识别神经网络中，输出矿工的各种表情的概率序列；其中第三图像表示实时采集的矿工的人脸图像； 基于矿工的各种表情的概率序列，确定矿工的压力等级。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安科技大学，其通讯地址为：710000 陕西省西安市雁塔中路58号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。