遠(yuǎn)程教學(xué)過程中學(xué)生情緒變化與學(xué)習(xí)狀態(tài)的研究一直是心理學(xué)和計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。微表情作為一種無(wú)抑制且自發(fā)的面部表情更能體現(xiàn)學(xué)生內(nèi)心的真實(shí)想法,其對(duì)遠(yuǎn)程教學(xué)的普及、遠(yuǎn)程教學(xué)質(zhì)量的提升意義重大。然而,在微表情發(fā)生時(shí),由于其持續(xù)時(shí)間非常短、所涉及的肌肉運(yùn)動(dòng)強(qiáng)度也非常低,使得該問題成為研究領(lǐng)域的難點(diǎn)。本文提出基于局部關(guān)鍵區(qū)域特征的微表情檢測(cè)及識(shí)別方法來解決現(xiàn)有的基于全局區(qū)域特征的微表情檢測(cè)及識(shí)別方法在實(shí)際應(yīng)用中所存在的問題,并利用所提方法設(shè)計(jì)與開發(fā)一個(gè)基于微表情的智能教學(xué)管理系統(tǒng),來對(duì)遠(yuǎn)程教學(xué)過程中學(xué)生的課堂情感信息進(jìn)行有效的檢測(cè)與識(shí)別。本文所做的主要研究工作如下:(1)目前,現(xiàn)有的基于全局區(qū)域特征的微表情檢測(cè)及識(shí)別方法會(huì)降低所提特征對(duì)于微表情的描述能力。為解決其存在的問題,本文根據(jù)主觀形狀模型所檢測(cè)到的人臉特征點(diǎn)坐標(biāo)以及微表情發(fā)生時(shí)臉部動(dòng)作編碼系統(tǒng)的運(yùn)動(dòng)特征,將與微表情發(fā)生時(shí)所牽扯的6個(gè)局部關(guān)鍵區(qū)域劃分出來。在此基礎(chǔ)上,對(duì)于微表情檢測(cè)部分,分別提取出所劃分的局部關(guān)鍵區(qū)域的局部二值模式特征,然后對(duì)所提特征進(jìn)行特征差異分析來實(shí)現(xiàn)微表情的檢測(cè);對(duì)于微表情識(shí)別部分,首先分別提取出所劃分的局部關(guān)鍵區(qū)域的三個(gè)正交平面的局部二值模式特征,然后將所有局部關(guān)鍵區(qū)域所提特征進(jìn)行串聯(lián)構(gòu)成特征向量,最后使用支持向量機(jī)對(duì)特征向量進(jìn)行分類來實(shí)現(xiàn)微表情的識(shí)別。(2)在自發(fā)的微表情數(shù)據(jù)庫(kù)CASMEⅡ上進(jìn)行了方法對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果顯示:本文所提出的基于局部關(guān)鍵區(qū)域特征的微表情檢測(cè)及識(shí)別方法其對(duì)微表情的檢測(cè)與識(shí)別效果明顯優(yōu)于基于全局區(qū)域特征的檢測(cè)及識(shí)別方法,充分說明了微表情發(fā)生時(shí)只會(huì)涉及到局部關(guān)鍵區(qū)域的運(yùn)動(dòng)特征,使得所提方法更具有實(shí)用性。(3)以國(guó)內(nèi)外課堂心理學(xué)研究為依據(jù)將課堂學(xué)習(xí)狀態(tài)劃分為喜歡度、投入度、理解度三個(gè)維度,并結(jié)合微表情數(shù)據(jù)庫(kù)CASMEⅡ上所定義的七種基本微表情來對(duì)課堂情感進(jìn)行復(fù)合評(píng)價(jià);以所提方法及情感體系為依據(jù),為了使系統(tǒng)功能更加完備,將系統(tǒng)功能拓展為微表情自動(dòng)檢測(cè)、微表情自動(dòng)識(shí)別、圖片表情自動(dòng)識(shí)別、視頻表情自動(dòng)識(shí)別、人數(shù)統(tǒng)計(jì)5個(gè)部分;最終,實(shí)現(xiàn)了基于微表情的智能教學(xué)管理系統(tǒng)。
【學(xué)位單位】：大連海事大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：G434;TP391.41;TP311.52
【部分圖文】：

?基于微表情的智能教學(xué)管理系統(tǒng)關(guān)鍵技術(shù)研究???１．４臉部動(dòng)作編碼系統(tǒng)ＦＡＣＳ??２００２年Ｅｋｍａｎ等Ｍｌ為了進(jìn)一步地細(xì)化及完善面部表情，研發(fā)了表情訓(xùn)練工具（Ｍｉｃｒｏ??ｅｘｐｒｅｓｓｉｏｎ?ｔｒａｉｎｉｎｇ?ｔｏｏｌ，ＭＥＴＴ），并且與？１＾．５６１１等［１８］根據(jù)不同臉部肌肉模塊的動(dòng)作與??不同表情的對(duì)應(yīng)關(guān)系開發(fā)出臉部動(dòng)作編碼系統(tǒng)（ＦａｃｉａｌＡｃｔｉｏｎＣｏｄｉｎｇＳｙｓｔｅｍ，ＦＡＣＳ）。??ＦＡＣＳ以面部解剖學(xué)原理為基礎(chǔ)將人臉劃分為４４個(gè)既相對(duì)獨(dú)立又相互聯(lián)系的運(yùn)動(dòng)單元??（Ａｃｔｉｏｎ?Ｕｎｉｔｅ，ＡＵ），人臉某一時(shí)亥（Ｊ戶萬(wàn)發(fā)生的局部肌肉動(dòng)作者可以通過ＡＵ來進(jìn)行表示，??例如ＡＵ２代表眉毛外端上揚(yáng)，ＡＵ３代表眉毛下垂等。在人臉發(fā)生情感變化時(shí)，每個(gè)ＡＵ??單獨(dú)或者以組合的形式進(jìn)行編碼便可以呈現(xiàn)出人臉的表情。ＦＡＣＳ編碼系統(tǒng)的提出為國(guó)??內(nèi)外很多情感研究機(jī)構(gòu)指明了研究方向，在情感識(shí)別領(lǐng)域占據(jù)著重要的地位。圖１．３展??示了面部解剖學(xué)主要肌肉模塊的分布，表１．１給出了不同情感類別的ＦＡＣＳ描述。??降眉Ｎｌ肌??帽麵膜??頸闊肌??Ｌ?Ｉ??降下唇肌??降口角肌?１??頦肌??圖１．?３面部解剖學(xué)主要肌肉模塊分布圖??Ｆｉｇ．?１．３?Ｄｉｓｔｒｉｂｕｔｉｏｎ?ｏｆ?ｍａｊｏｒ?ｍｕｓｃｌｅ?ｍｏｄｕｌｅｓ?ｉｎ?ｆａｃｉａｌ?ａｎａｔｏｍｙ??－４?－??

Ｅ?等［５５］所提出的?Ａｄａｂｏｏｓｔ?（Ａｄａｐｔｉｖｅ?Ｂｏｏｓｔｉｎｇ）算法是目前??人臉識(shí)別領(lǐng)域中一種被廣泛應(yīng)用的人臉檢測(cè)方法，該算法檢測(cè)率高且具有實(shí)時(shí)性，使??人臉檢測(cè)技術(shù)由理論研究走向了實(shí)際應(yīng)用。??Ａｄａｂｏｏｓｔ算法的核心思想是將通過訓(xùn)練得到的弱分類器進(jìn)行一定程度上的組合，得??到一個(gè)強(qiáng)分類器，即以改變樣本概率分布的方式來進(jìn)行弱分類器的訓(xùn)練，如果樣本分類??正確，則降低其樣本權(quán)重；如果樣本分類錯(cuò)誤，則增大其樣本權(quán)重�；冢粒洌幔猓铮铮螅羲惴�??的人臉檢測(cè)的基本流程如圖２．３所示。??人臉樣本?非人臉樣?輸入圖像???＾?＾?－???訓(xùn)練??？檢測(cè)???＾?［??”??生成分類器?１?輸出結(jié)果??圖２．?３基于Ａｄａｂｏｏｓｔ算法的人臉檢測(cè)流程??Ｆｉｇ．?２．３?Ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ＡｄａＢｏｏｓｔ?ａｌｇｏｒｉｔｈｍ??Ｈａａｒ－Ｈｋｅ特征又稱為矩形特征，其是模式識(shí)別領(lǐng)域的一種常用的特征。其基本原理??是將白色區(qū)域像素之和與黑色區(qū)域的像素值之和的差值作為特征值，進(jìn)而來描述矩形之??間的灰度差異。ＬｉｃｎＨａｒｔ和Ｍａｙｄｔｆ５ｆ＞１１提出了三種Ｈａａｒ－ｌｉｋｅ特征模板，如圖２．４所示，圖??中Ａ、Ｂ為邊緣特征；Ｃ、Ｄ為線性特征；Ｅ為對(duì)角線特征。由于人臉特征部位的灰度信??息與膚色有很大的差別，因此Ｈａａｒ－ｌｉｋｅ特征能對(duì)人臉結(jié)構(gòu)進(jìn)行簡(jiǎn)單的描述。??Ａ?Ｂ?Ｃ?Ｄ?Ｅ??圖２．?４常用Ｈａａｒ－Ｈｋｅ特征模板??Ｆｉｇ．?２．４?Ｃｏｍｍｏｎｌｙ?ｕｓｅｄ?Ｈａａｒ－ｌｉｋｅ?ｆｅａｔｕｒｅ?ｔｅｍｐｌａｔｅｓ??－１

Ｅ?等［５５］所提出的?Ａｄａｂｏｏｓｔ?（Ａｄａｐｔｉｖｅ?Ｂｏｏｓｔｉｎｇ）算法是目前??人臉識(shí)別領(lǐng)域中一種被廣泛應(yīng)用的人臉檢測(cè)方法，該算法檢測(cè)率高且具有實(shí)時(shí)性，使??人臉檢測(cè)技術(shù)由理論研究走向了實(shí)際應(yīng)用。??Ａｄａｂｏｏｓｔ算法的核心思想是將通過訓(xùn)練得到的弱分類器進(jìn)行一定程度上的組合，得??到一個(gè)強(qiáng)分類器，即以改變樣本概率分布的方式來進(jìn)行弱分類器的訓(xùn)練，如果樣本分類??正確，則降低其樣本權(quán)重；如果樣本分類錯(cuò)誤，則增大其樣本權(quán)重�；冢粒洌幔猓铮铮螅羲惴�??的人臉檢測(cè)的基本流程如圖２．３所示。??人臉樣本?非人臉樣?輸入圖像???＾?＾?－???訓(xùn)練??？檢測(cè)???＾?［??”??生成分類器?１?輸出結(jié)果??圖２．?３基于Ａｄａｂｏｏｓｔ算法的人臉檢測(cè)流程??Ｆｉｇ．?２．３?Ｆａｃｅ?ｄｅｔｅｃｔｉｏｎ?ｐｒｏｃｅｓｓ?ｂａｓｅｄ?ｏｎ?ＡｄａＢｏｏｓｔ?ａｌｇｏｒｉｔｈｍ??Ｈａａｒ－Ｈｋｅ特征又稱為矩形特征，其是模式識(shí)別領(lǐng)域的一種常用的特征。其基本原理??是將白色區(qū)域像素之和與黑色區(qū)域的像素值之和的差值作為特征值，進(jìn)而來描述矩形之??間的灰度差異。ＬｉｃｎＨａｒｔ和Ｍａｙｄｔｆ５ｆ＞１１提出了三種Ｈａａｒ－ｌｉｋｅ特征模板，如圖２．４所示，圖??中Ａ、Ｂ為邊緣特征；Ｃ、Ｄ為線性特征；Ｅ為對(duì)角線特征。由于人臉特征部位的灰度信??息與膚色有很大的差別，因此Ｈａａｒ－ｌｉｋｅ特征能對(duì)人臉結(jié)構(gòu)進(jìn)行簡(jiǎn)單的描述。??Ａ?Ｂ?Ｃ?Ｄ?Ｅ??圖２．?４常用Ｈａａｒ－Ｈｋｅ特征模板??Ｆｉｇ．?２．４?Ｃｏｍｍｏｎｌｙ?ｕｓｅｄ?Ｈａａｒ－ｌｉｋｅ?ｆｅａｔｕｒｅ?ｔｅｍｐｌａｔｅｓ??－１
【參考文獻(xiàn)】

相關(guān)期刊論文 前3條

1 張軒閣;田彥濤;郭艷君;王美茜;;基于光流與LBP-TOP特征結(jié)合的微表情識(shí)別[J];吉林大學(xué)學(xué)報(bào)(信息科學(xué)版);2015年05期

2 詹澤慧;;基于智能Agent的遠(yuǎn)程學(xué)習(xí)者情感與認(rèn)知識(shí)別模型——眼動(dòng)追蹤與表情識(shí)別技術(shù)支持下的耦合[J];現(xiàn)代遠(yuǎn)程教育研究;2013年05期

3 朱勇;詹永照;;基于CBP-TOP特征的人臉表情識(shí)別[J];計(jì)算機(jī)應(yīng)用研究;2011年05期

相關(guān)碩士學(xué)位論文 前8條

1 楊雪;基于深度學(xué)習(xí)的微表情特征提取算法設(shè)計(jì)與實(shí)現(xiàn)[D];北京交通大學(xué);2017年

2 陳夢(mèng)婷;基于視頻序列的微表情自動(dòng)識(shí)別算法研究[D];哈爾濱工業(yè)大學(xué);2016年

3 劉宇灝;微表情識(shí)別的理論和方法研究[D];東南大學(xué);2016年

4 趙中原;基于微表情特征的表情識(shí)別研究[D];華北電力大學(xué)(北京);2016年

5 何祎;基于情感的課堂教學(xué)評(píng)價(jià)方法研究[D];渤海大學(xué);2015年

6 吳雪;基于單演二值模式的微表情識(shí)別研究[D];河北工業(yè)大學(xué);2015年

7 徐帥;基于主動(dòng)形狀模型人臉識(shí)別算法的研究與實(shí)現(xiàn)[D];西南交通大學(xué);2011年

8 黃非非;基于LBP的人臉識(shí)別研究[D];重慶大學(xué);2009年

本文編號(hào)：2879852