隨著互聯(lián)網(wǎng)技術(shù)以及多媒體技術(shù)的不斷發(fā)展,網(wǎng)絡(luò)在線學(xué)習(xí)日趨成熟。在線教育憑借其在時間、空間上特有優(yōu)勢可以滿足不同群體的學(xué)習(xí)要求,為促進(jìn)我國教育平衡,彌補(bǔ)教育短板,開啟全民化學(xué)習(xí)時代做出了獨有貢獻(xiàn),其存在也豐富了現(xiàn)有的教育模式。但相對于傳統(tǒng)課堂,在線學(xué)習(xí)無法對學(xué)習(xí)者的學(xué)習(xí)情況實時監(jiān)督,導(dǎo)致學(xué)習(xí)效果無法得到保證也是其弊端所在。因此,檢測學(xué)習(xí)者學(xué)習(xí)狀態(tài)對于完善在線教學(xué)系統(tǒng),提高學(xué)生學(xué)習(xí)質(zhì)量都具有一定的價值。同時,將檢測結(jié)果反饋給教師,對于教師優(yōu)化課堂設(shè)置,對學(xué)生學(xué)習(xí)情況綜合評估也起著積極作用。本文利用計算機(jī)視覺、深度學(xué)習(xí)等技術(shù),從注意力狀態(tài)和情緒狀態(tài)兩個方面對學(xué)習(xí)狀態(tài)展開研究,主要研究內(nèi)容如下:1、傳統(tǒng)的檢測方法無法檢測學(xué)習(xí)者視線焦點在屏幕上時出現(xiàn)的分心狀態(tài),針對此問題,本文提出一種基于眼動分析的注意力檢測方法,該方法通過計算機(jī)視覺相關(guān)技術(shù)在實時捕捉的畫面中提取眼動特征,利用循環(huán)神經(jīng)網(wǎng)絡(luò)對序列眼動特征進(jìn)行分析,學(xué)習(xí)眼動規(guī)律,實現(xiàn)對學(xué)習(xí)者注意力狀態(tài)的檢測。2、基于面部表情識別對學(xué)習(xí)情緒進(jìn)行研究,將驚訝、開心、恐懼等七種情緒歸類到積極、中性、消極三種情緒狀態(tài)中,通過表情的識別實現(xiàn)情緒狀態(tài)的檢測。傳...

【文章頁數(shù)】：55 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１ＡｄａＢｏｏｓｔ算法檢測人臉經(jīng)過實驗，發(fā)現(xiàn)ＡｄａＢｏｏｓｔ算法對Ｙａｌｅ人臉庫中的１６５

．１人臉檢測與跟蹤本文采用ＡｄａＢｏｏｓｔ算法實時快速的檢測人臉，Ａｄａ－Ｂｏｏｓｔ檢測方法是由Ｒｏｂｅｒｔ［５］等人提出的一種基于積分圖、級聯(lián)檢測器與ＡｄａＢｏｏｓｔ算法的方法［６］，它把通過加權(quán)方式得到的弱分類器級聯(lián)成強(qiáng)分類器最終得到檢測器，并將其應(yīng)用于各個場合實現(xiàn)人臉檢測。....

圖４選擇的眼睛模板假設(shè)待測圖片為ｉｍａｇｅ（Ｗ×Ｈ），模板圖片為ｔｅｍｐｌ

計算機(jī)工程與設(shè)計２０１３年法對人眼進(jìn)行檢測，以避免在整幅圖像中進(jìn)行匹配計算量增大，即將上述人臉按照幾何的方法從檢測區(qū)域?qū)挾鹊闹虚g分成左右臉區(qū)域分別進(jìn)行匹配。針對模版選擇這一關(guān)鍵問題，為能夠?qū)⒏鞣N狀態(tài)的眼睛都能檢測出來，避免模板的單一化，本實驗選擇的部分模板如圖４所示。圖４選擇的眼....

圖6眼暗檢蒯原理以及結(jié)果

計算機(jī)工程與設(shè)計２０１３年法對人眼進(jìn)行檢測，以避免在整幅圖像中進(jìn)行匹配計算量增大，即將上述人臉按照幾何的方法從檢測區(qū)域?qū)挾鹊闹虚g分成左右臉區(qū)域分別進(jìn)行匹配。針對模版選擇這一關(guān)鍵問題，為能夠?qū)⒏鞣N狀態(tài)的眼睛都能檢測出來，避免模板的單一化，本實驗選擇的部分模板如圖４所示。圖４選擇的眼....

圖7對干側(cè)轉(zhuǎn)人臉中人眼的檢制

計算機(jī)工程與設(shè)計２０１３年法對人眼進(jìn)行檢測，以避免在整幅圖像中進(jìn)行匹配計算量增大，即將上述人臉按照幾何的方法從檢測區(qū)域?qū)挾鹊闹虚g分成左右臉區(qū)域分別進(jìn)行匹配。針對模版選擇這一關(guān)鍵問題，為能夠?qū)⒏鞣N狀態(tài)的眼睛都能檢測出來，避免模板的單一化，本實驗選擇的部分模板如圖４所示。圖４選擇的眼....

本文編號：3933258