基于机器视觉的学生上课专注度的分析评测系统

发布时间：2021-11-28 23:30

　　专注度是人类智能行为的关键因素之一。特别是近几年来,我们对学习者的关注度受到广泛的重视。针对专注度评估提出了很多评测方法,包括问卷调查法,生理观察法,计算机视觉等方法。在中小学教学课堂上,学生的上课的专注度是影响学生成绩和教学效果的重要因素,因而是众多家长重点关注的问题。目前绝大部分学校是通过教师肉眼主观判断学生的上课专注度的情况,这种方式不仅占用老师上课时间,分散老师注意力,而且对于学生而言,肉眼的判断的准确率低,导致上课效果的测评效果欠佳。特别是,无法实时统计和分析上课学生专注度,从而产生一定的滞后性。在人工智能技术快速发展的情况下,机器视觉作为人工智能的一个分支,一直是学术界的一个研究热点,机器学习的原理就是用机器代替人眼去获取信息并对信息进行判断,机器视觉将摄取的信息转换成数字图像信号,应用数字图像处理的相关技术,提取研究人员需要的信息。人脸识别的研究作为机器视觉领域的重要课题之一,采用机器视觉摄取人脸图像,然后对脸部特征进行分析从而获取相关信息是目前学术界的重要研究领域,人脸识别技术已经被应用于军事、安全防护、电子商务、教育等各种领域。本文针对上课过程中学生出现的问题不能及时... 

【文章来源】：浙江工商大学浙江省

【文章页数】：54 页

【学位级别】：硕士

【部分图文】：

图２－１功能绑定原理??

改进的算法可以更好地检测脸部的局部特征，并且对特征子集的位置之??间的关系提供了良好的灵活性。??改进算法的模型与贝叶斯模型相似，如图２－３所示，该模型有三层。第一??１３??

全球功能涵盖了面部尺寸较大的许多面部器官，显示出整个脸部的灰色??和质感的变化。然而，本地功能属于一个器官，具有相对较小的尺寸，代表细??节的变化。标准面上的一些Ｈａａｒ功能如图２－４所示。图４?（ａ）?－?（ｄ）是局部??特征完全落在左眼，右眼，鼻子和嘴巴的区域内。图２－４?（ｅ）和（ｆ）是其他区??域的局部特征，图２－４?（ｇ）和（ｈ）是全局特征覆盖多个地区。??１４??

【参考文献】：
期刊论文
[1]基于马尔科夫随机场的多特征人脸跟踪算法[J]. 蔡荣太,朱鹏.  激光与光电子学进展. 2017(02)
[2]刍议提高小学生在语文课堂中的专注度[J]. 周凌云.  初中生优秀作文. 2015(20)
[3]浅谈提高学生听课专注度的方法[J]. 徐俊葵.  课程教育研究. 2014(33)
[4]基于梯度积分投影和最大期望算法的人眼定位[J]. 孟春宁,白晋军,张太宁,刘润蓓,常胜江.  光电子.激光. 2012(10)
[5]研究型教学的行为分析——基于复旦大学的课堂教学观察[J]. 陈侃,丁妍,王颖.  复旦教育论坛. 2012(04)
[6]基于人眼识别的驾驶员疲劳检测[J]. 薄华,王蕾.  电脑知识与技术. 2011(25)
[7]高等教育研究中定量方法的应用现状与趋势[J]. 李雄鹰,周文虹.  现代教育科学. 2011(07)
[8]一种基于区域投影的人眼精确定位方法[J]. 王文成,常发亮.  光电子.激光. 2011(04)
[9]基于加权PCA的人眼定位算法[J]. 曹林,杜康宁.  北京信息科技大学学报(自然科学版). 2010(03)
[10]人眼检测技术的方法研究[J]. 徐来,周德龙.  计算机系统应用. 2010(06)

博士论文
[1]基于机器学习方法的人脸表情识别研究[D]. Ongalo Phoebe Nasimiyu Fedha.中南大学 2014
[2]三维人脸检测与识别技术研究[D]. 蔡宇.吉林大学 2013

硕士论文
[1]基于人脸检测的小学生课堂专注度研究[D]. 孙亚丽.湖北师范大学 2016
[2]疲劳驾驶人眼特征的识别方法及应用研究[D]. 孟令勇.山东理工大学 2014
[3]视频监控下驾驶员疲劳检测关键技术的研究[D]. 林绍辉.集美大学 2014
[4]基于人眼定位技术的疲劳驾驶检测方法[D]. 李立凌.电子科技大学 2012
[5]基于AdaBoost人脸检测算法的研究[D]. 钱力思.西南大学 2011
[6]基于几何特征的人脸识别算法的研究[D]. 姜贺.大连理工大学 2008
[7]基于面部特征的人脸识别技术研究[D]. 阙晓辉.武汉理工大学 2007
[8]基于SVM的人脸识别技术研究[D]. 李丽.中南大学 2005
[9]基于统计的人脸识别方法[D]. 余冰.浙江大学 2002



本文编号：3525368