人脸检测和表情识别研究及其在课堂教学评价中的应用

发布时间：2020-07-20 21:24

【摘要】：课堂一直是在校师生学习、交流的最重要的场合,因而受到学校和社会的广泛关注和重视。但是传统的课堂教学往往缺乏沟通交流,只重视教师教学内容而忽视了学生的反馈信息。另外,学生在课堂上的情绪也能在一定程度上反映学生对于课堂的接受度,从而反映课堂教学质量。人脸检测是人脸识别的前提和组成部分,表情识别是人脸识别的分支和发展,它们都是计算机视觉技术的重要分支。基于深度学习的人脸检测和表情识别技术具有精度高、鲁棒性强等特点,在教室等较大场景中也能表现出优秀的准确性和时效性。本文研究了基于深度学习的人脸检测和表情识别技术,利用了其精确、实时的特性,并将其应用到课堂教学的评价中,解决了当前课堂教学评价滞后、不客观的问题。本文的主要工作如下:(1)回顾了计算机视觉人脸检测和人脸识别技术的发展历程,分析和吸取了先进的人脸检测和表情识别方法,结合本学校的课堂教学场景,提出了一种基于深度学习的高效、精确的人脸检测方法。该方法利用卷积神经网络CNN作为主网络,使用了最近最流行的深度学习框架之一的Pytorch作为主框架,结合了目标检测中常用的Anchor、Attention Layer等先进的方法,从而得到比传统方法更加高效、精准的结果。在人脸检测的基础上,提出了一种基于朴素贝叶斯分类的表情识别和评分方法,对人脸情绪进行正负面的分类及评分。(2)分析和总结当前课堂教育质量评价的痛点和不足,尤其是师生互动交流和学生注意力的不足。对学生在课堂上的表情进行了比较细致的调查和分析,并参考了前人的研究成果,总结出了课堂上学生常见的几种表情作为研究实验表情识别的训练标签。分析和总结出了各个表情所对应的专注度评分,并以此作为评价课堂教学质量的一个参考标准,建立了“学生抬头率——学生表情——学生专注度——课堂教学质量”的教学质量评价轴。(3)在本文的最后,利用手机摄像头在教室课堂中采集的数据,对本系统进行了实验和分析,验证了本系统的可行性和准确率,分析了本系统的优缺点和可改进的地方。
【学位授予单位】：重庆师范大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：G424.21;TP391.41
【图文】：

趋势图,课堂教学质量评价,趋势,课堂教学效果

图 1.1 1994-2016 年对于课堂教学质量评价的研究趋势经过多方调研得知，课堂教学效果可以从师生之间的互动情况，以及学生的头听课情况、面部表情等状态直观反映出来[3]。目前市面上已经出现了一系列的

模型图,模型,课堂教学评估,课堂实验

重庆师范大学硕士学位论文 1 绪论资料[35]，研究学生面部表情和听课质量的对应关系，从而建立课堂教学评估规则，并基于实际的课堂实验和调研数据对现有模型进行优化和改进，力求客观准确。卷积神经网络（CNN）模型，通常由多个卷积层（Convolution）和池化层（Pooling）构成，在模式分类等领域广泛应用。可以直接输入原始图像，输出分类结果。如图 1.2 所示的 VGG16 网络[36]是典型的卷积神经网络模型。

图像金字塔,遍历,固定尺寸,图片

图像金字塔用固定尺寸的窗口遍历图像金字塔中不同尺寸的图片，就可以适应不同大小

【相似文献】