[发明专利]一种基于特征识别的教学辅助大数据智能分析方法

权利要求书

1.一种基于特征识别的教学辅助大数据智能分析方法，其特征在于，包括如下步骤：

S1、获取学生静态图像；

S2、提取出图像的方向梯度特征；

S3、机器学习；

S4、滑动窗口；

S5、选取动作分类下的概率最大的动作，识别动作；

S6、对S5中动作发出人进行脸部识别；

其中，S3、机器学习，包括如下步骤：S2中求取出每一个样本图像的梯度特征以后，采用SVM算法将学生一类行为动作的梯度特征进行训练，对应分类模型；

S31、用户首先标记出一些相关的检索结果作为正样本和一些检索不相关的负样本，然后图像检索系统基于这些反馈样本更新检索的结果；交替上述两个步骤的交替进行，可让计算机逐渐学习用户的需求，增强检索功能；

S311、将图像梯度特征空间分为多个区域，其中，距离分类平面最远的正样本作为最相关样本，距离分类平面最近的样本作为最具有信息量的样本；

S312、基于SVM的图像检索系统的关联反馈方法：SVM是一种有效的二分类、多分类算法，下面以二分类问题为例(且y_i＝{+1,-1})，多分类问题可以类比；

其中，x_i是一个n维特征向量，y_i是特征向量所属的类别信息，

SVM通过一个超平面将两类样本点进行划分，即：

w^Tx+b＝0

其中，w是一个输入向量，x是一个自适应权重向量，b是一个偏置，SVM通过最大化几何边界获得最优超平面的参数w和b，并且满足：

y_i(w^Tx_i+b)≥+1

通过引入拉格朗日系数，求解对偶问题可获得：

并且同时满足：

α_i≥0

在对偶模式中，数据点仅出现内积形式，为了获得数据的更好表达，可以将这些数据点通过替换操作映射到希伯特内积空间中：

x_i·x_j→φ(x_i)·φ(x_j)＝K(x_i,x_j)

其中，K(·)是一个和函数；

可获得对偶问题的和函数表示形式：

对于任意给定的和函数，SVM分类器可以表示为：

F(x)＝sgn(f(x))

其中，f(x)是SVM分类超平面的决策函数：

对于给定图像样本，当|f(x)|越高时，相应的预测确信度越高，相反当|f(x)|越低时，相应的预测确信度越低。