在傳統(tǒng)教學(xué)課堂中,教師只能通過課堂觀察和提問的方式對學(xué)生的課堂學(xué)習(xí)過程進(jìn)行評估,由于條件受到限制,教師難以做到及時了解每位學(xué)生的課堂學(xué)習(xí)狀態(tài)。如果可以對每位學(xué)生的課堂學(xué)習(xí)狀態(tài)進(jìn)行全面與科學(xué)的分析,將有助于教師根據(jù)分析結(jié)果制定一套更加高效的課堂教學(xué)方案,這樣就可以針對性地提高每位學(xué)生的課堂學(xué)習(xí)效率。而面部特征變化可以作為判斷學(xué)生學(xué)習(xí)狀態(tài)的一個重要衡量依據(jù),由于學(xué)生在學(xué)習(xí)過程中一般不會出現(xiàn)過于豐富的面部特征變化,研究根據(jù)有限的面部特征變化來判斷學(xué)生學(xué)習(xí)狀態(tài)的技術(shù)就顯得十分必要。本文對如何判斷學(xué)生學(xué)習(xí)狀態(tài)的技術(shù)進(jìn)行了研究與分析,根據(jù)面部特征中眼睛和嘴巴的特征變化來重點(diǎn)研究學(xué)生的學(xué)習(xí)狀態(tài),并在此基礎(chǔ)上設(shè)計了基于面部特征的學(xué)生學(xué)習(xí)狀態(tài)檢測系統(tǒng)。該系統(tǒng)工作的基本流程是:首先通過攝像頭獲取學(xué)生的上課視頻,然后進(jìn)行圖像預(yù)處理、人臉檢測和人臉識別,緊接著在檢測到的人臉圖像中定位眼睛和嘴巴的特征點(diǎn),并設(shè)計眼睛和嘴巴的狀態(tài)變化算法計算二者相應(yīng)的特征參數(shù)值,最后通過眼睛和嘴巴的參數(shù)變化對學(xué)生的學(xué)習(xí)狀態(tài)進(jìn)行分類與檢測,并將學(xué)生的學(xué)習(xí)狀態(tài)歸類為專注、疑惑和疲勞三種狀態(tài)。本文的主要研究內(nèi)容與工作包括:（1）采用改進(jìn)... 

【文章來源】：成都理工大學(xué)四川省

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

原圖像及3x3窗函數(shù)進(jìn)行均值濾波后的圖像

中值濾波濾波的原理：將鄰域內(nèi)所有像素點(diǎn)的灰度值按從小到大的順取中間的那個像素值作為與鄰域中其他像素值最為相近的像示：( )( ){ ( )},, ,x y Ag x y MED f x y∈= ，f(x,y)和 g(x,y)分別為原圖像和中值濾波后的圖像。濾波窗器可定義為：當(dāng)n為奇數(shù)時，取中間數(shù)作為中值；當(dāng)n為偶數(shù)的平均值作為中值。與均值濾波相比，中值濾波既可以保又可以消除圖像噪聲，同時對椒鹽噪聲的濾除效果比較好，的不連續(xù)性。經(jīng)過 3x3 窗函數(shù)中值濾波后的圖像如圖 3-2 所

σ 為正態(tài)分布的標(biāo)準(zhǔn)方差。經(jīng)過 3x3 高斯核函數(shù)濾波后的圖像如圖3-3 所示。高斯卷積濾波后可以去除掉一些細(xì)節(jié)噪聲并保留圖像的整體灰度分布特征，對高斯噪聲的濾除效果較好。由于視頻圖像中存在的大多數(shù)噪聲為高斯噪聲，且對比以上三種去噪方法，可以發(fā)現(xiàn)高斯濾波后的圖像特征分布更均勻，同時可以很好的濾除掉圖像中的高斯噪聲，因此本文采用高斯濾波進(jìn)行圖像去噪處理。

【參考文獻(xiàn)】：
期刊論文
[1]基于支持向量機(jī)與概率輸出網(wǎng)的深度學(xué)習(xí)模型[J]. 劉涵,王月嶺,王曉,林艷艷.  系統(tǒng)工程理論與實(shí)踐. 2018(08)
[2]基于多尺度池化卷積神經(jīng)網(wǎng)絡(luò)的疲勞檢測方法研究[J]. 顧王歡,朱煜,陳旭東,鄭兵兵,何林飛.  計算機(jī)應(yīng)用研究. 2019(11)
[3]基于卷積特征和貝葉斯分類器的人臉識別[J]. 馮小榮,惠康華,柳振東.  智能系統(tǒng)學(xué)報. 2018(05)
[4]教育人工智能:讓未來的教育真正擁有“智慧”[J]. 王運(yùn)武,張堯,彭梓涵,王勝遠(yuǎn).  中國醫(yī)學(xué)教育技術(shù). 2018(02)
[5]人臉識別綜述[J]. 夏志強(qiáng).  電子世界. 2017(23)
[6]課堂環(huán)境中基于面部表情的教學(xué)效果分析[J]. 韓麗,李洋,周子佳,宋沛軒.  現(xiàn)代遠(yuǎn)程教育研究. 2017(04)
[7]基于積分投影和模板匹配的人眼定位算法研究[J]. 亢潔,李靜.  陜西科技大學(xué)學(xué)報(自然科學(xué)版). 2017(01)
[8]基于選擇性搜索和卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測[J]. 吳素雯,戰(zhàn)蔭偉.  計算機(jī)應(yīng)用研究. 2017(09)
[9]人臉特征點(diǎn)提取方法綜述[J]. 李月龍,靳彥,汪劍鳴,肖志濤,耿磊.  計算機(jī)學(xué)報. 2016(07)
[10]人眼檢測技術(shù)研究進(jìn)展[J]. 常勝江,孟春寧,韓建民,林淑玲.  數(shù)據(jù)采集與處理. 2015(06)

碩士論文
[1]視頻識別輔助的學(xué)生評價系統(tǒng)研究[D]. 麻皓東.北方工業(yè)大學(xué) 2018
[2]網(wǎng)絡(luò)教學(xué)中的學(xué)習(xí)狀態(tài)與學(xué)習(xí)情緒識別方法研究[D]. 孫重亮.吉林大學(xué) 2018
[3]在線學(xué)習(xí)中融合視線分析的注意力檢測方法的研究和應(yīng)用[D]. 熊碧輝.杭州電子科技大學(xué) 2018
[4]高魯棒性駕駛員疲勞檢測方法研究[D]. 楊倩.北京郵電大學(xué) 2017
[5]網(wǎng)絡(luò)在線學(xué)習(xí)情緒檢測系統(tǒng)研究與實(shí)現(xiàn)[D]. 王勃.北京交通大學(xué) 2017
[6]基于改進(jìn)CNN的人臉檢測和識別技術(shù)研究[D]. 韋鵬飛.西南交通大學(xué) 2017
[7]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測和表情識別[D]. 向佳.湖南科技大學(xué) 2017
[8]基于深度學(xué)習(xí)的三維人臉識別方法研究[D]. 吳夢蝶.哈爾濱工業(yè)大學(xué) 2016
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉表情和性別識別[D]. 產(chǎn)文濤.安徽大學(xué) 2016
[10]學(xué)習(xí)者在線學(xué)習(xí)狀態(tài)檢測工具的設(shè)計與實(shí)現(xiàn)[D]. 盧希.華中科技大學(xué) 2016



本文編號：3103253