基于面部特征的学生学习状态检测系统设计
发布时间：2021-03-27 09:13
在传统教学课堂中,教师只能通过课堂观察和提问的方式对学生的课堂学习过程进行评估,由于条件受到限制,教师难以做到及时了解每位学生的课堂学习状态。如果可以对每位学生的课堂学习状态进行全面与科学的分析,将有助于教师根据分析结果制定一套更加高效的课堂教学方案,这样就可以针对性地提高每位学生的课堂学习效率。而面部特征变化可以作为判断学生学习状态的一个重要衡量依据,由于学生在学习过程中一般不会出现过于丰富的面部特征变化,研究根据有限的面部特征变化来判断学生学习状态的技术就显得十分必要。本文对如何判断学生学习状态的技术进行了研究与分析,根据面部特征中眼睛和嘴巴的特征变化来重点研究学生的学习状态,并在此基础上设计了基于面部特征的学生学习状态检测系统。该系统工作的基本流程是:首先通过摄像头获取学生的上课视频,然后进行图像预处理、人脸检测和人脸识别,紧接着在检测到的人脸图像中定位眼睛和嘴巴的特征点,并设计眼睛和嘴巴的状态变化算法计算二者相应的特征参数值,最后通过眼睛和嘴巴的参数变化对学生的学习状态进行分类与检测,并将学生的学习状态归类为专注、疑惑和疲劳三种状态。本文的主要研究内容与工作包括:（1）采用改进...
【文章来源】：成都理工大学四川省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
原图像及3x3窗函数进行均值滤波后的图像
中值滤波滤波的原理：将邻域内所有像素点的灰度值按从小到大的顺取中间的那个像素值作为与邻域中其他像素值最为相近的像示：( )( ){ ( )},, ,x y Ag x y MED f x y∈= ，f(x,y)和 g(x,y)分别为原图像和中值滤波后的图像。滤波窗器可定义为：当n为奇数时，取中间数作为中值；当n为偶数的平均值作为中值。与均值滤波相比，中值滤波既可以保又可以消除图像噪声，同时对椒盐噪声的滤除效果比较好，的不连续性。经过 3x3 窗函数中值滤波后的图像如图 3-2 所
σ 为正态分布的标准方差。经过 3x3 高斯核函数滤波后的图像如图3-3 所示。高斯卷积滤波后可以去除掉一些细节噪声并保留图像的整体灰度分布特征，对高斯噪声的滤除效果较好。由于视频图像中存在的大多数噪声为高斯噪声，且对比以上三种去噪方法，可以发现高斯滤波后的图像特征分布更均匀，同时可以很好的滤除掉图像中的高斯噪声，因此本文采用高斯滤波进行图像去噪处理。
【参考文献】：
期刊论文
[1]基于支持向量机与概率输出网的深度学习模型[J]. 刘涵,王月岭,王晓,林艳艳. 系统工程理论与实践. 2018(08)
[2]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[3]基于卷积特征和贝叶斯分类器的人脸识别[J]. 冯小荣,惠康华,柳振东. 智能系统学报. 2018(05)
[4]教育人工智能:让未来的教育真正拥有“智慧”[J]. 王运武,张尧,彭梓涵,王胜远. 中国医学教育技术. 2018(02)
[5]人脸识别综述[J]. 夏志强. 电子世界. 2017(23)
[6]课堂环境中基于面部表情的教学效果分析[J]. 韩丽,李洋,周子佳,宋沛轩. 现代远程教育研究. 2017(04)
[7]基于积分投影和模板匹配的人眼定位算法研究[J]. 亢洁,李静. 陕西科技大学学报(自然科学版). 2017(01)
[8]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[9]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
[10]人眼检测技术研究进展[J]. 常胜江,孟春宁,韩建民,林淑玲. 数据采集与处理. 2015(06)
硕士论文
[1]视频识别辅助的学生评价系统研究[D]. 麻皓东.北方工业大学 2018
[2]网络教学中的学习状态与学习情绪识别方法研究[D]. 孙重亮.吉林大学 2018
[3]在线学习中融合视线分析的注意力检测方法的研究和应用[D]. 熊碧辉.杭州电子科技大学 2018
[4]高鲁棒性驾驶员疲劳检测方法研究[D]. 杨倩.北京邮电大学 2017
[5]网络在线学习情绪检测系统研究与实现[D]. 王勃.北京交通大学 2017
[6]基于改进CNN的人脸检测和识别技术研究[D]. 韦鹏飞.西南交通大学 2017
[7]基于卷积神经网络的人脸检测和表情识别[D]. 向佳.湖南科技大学 2017
[8]基于深度学习的三维人脸识别方法研究[D]. 吴梦蝶.哈尔滨工业大学 2016
[9]基于卷积神经网络的人脸表情和性别识别[D]. 产文涛.安徽大学 2016
[10]学习者在线学习状态检测工具的设计与实现[D]. 卢希.华中科技大学 2016
本文编号：3103253
【文章来源】：成都理工大学四川省
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
原图像及3x3窗函数进行均值滤波后的图像
中值滤波滤波的原理：将邻域内所有像素点的灰度值按从小到大的顺取中间的那个像素值作为与邻域中其他像素值最为相近的像示：( )( ){ ( )},, ,x y Ag x y MED f x y∈= ，f(x,y)和 g(x,y)分别为原图像和中值滤波后的图像。滤波窗器可定义为：当n为奇数时，取中间数作为中值；当n为偶数的平均值作为中值。与均值滤波相比，中值滤波既可以保又可以消除图像噪声，同时对椒盐噪声的滤除效果比较好，的不连续性。经过 3x3 窗函数中值滤波后的图像如图 3-2 所
σ 为正态分布的标准方差。经过 3x3 高斯核函数滤波后的图像如图3-3 所示。高斯卷积滤波后可以去除掉一些细节噪声并保留图像的整体灰度分布特征，对高斯噪声的滤除效果较好。由于视频图像中存在的大多数噪声为高斯噪声，且对比以上三种去噪方法，可以发现高斯滤波后的图像特征分布更均匀，同时可以很好的滤除掉图像中的高斯噪声，因此本文采用高斯滤波进行图像去噪处理。
【参考文献】：
期刊论文
[1]基于支持向量机与概率输出网的深度学习模型[J]. 刘涵,王月岭,王晓,林艳艳. 系统工程理论与实践. 2018(08)
[2]基于多尺度池化卷积神经网络的疲劳检测方法研究[J]. 顾王欢,朱煜,陈旭东,郑兵兵,何林飞. 计算机应用研究. 2019(11)
[3]基于卷积特征和贝叶斯分类器的人脸识别[J]. 冯小荣,惠康华,柳振东. 智能系统学报. 2018(05)
[4]教育人工智能:让未来的教育真正拥有“智慧”[J]. 王运武,张尧,彭梓涵,王胜远. 中国医学教育技术. 2018(02)
[5]人脸识别综述[J]. 夏志强. 电子世界. 2017(23)
[6]课堂环境中基于面部表情的教学效果分析[J]. 韩丽,李洋,周子佳,宋沛轩. 现代远程教育研究. 2017(04)
[7]基于积分投影和模板匹配的人眼定位算法研究[J]. 亢洁,李静. 陕西科技大学学报(自然科学版). 2017(01)
[8]基于选择性搜索和卷积神经网络的人脸检测[J]. 吴素雯,战荫伟. 计算机应用研究. 2017(09)
[9]人脸特征点提取方法综述[J]. 李月龙,靳彦,汪剑鸣,肖志涛,耿磊. 计算机学报. 2016(07)
[10]人眼检测技术研究进展[J]. 常胜江,孟春宁,韩建民,林淑玲. 数据采集与处理. 2015(06)
硕士论文
[1]视频识别辅助的学生评价系统研究[D]. 麻皓东.北方工业大学 2018
[2]网络教学中的学习状态与学习情绪识别方法研究[D]. 孙重亮.吉林大学 2018
[3]在线学习中融合视线分析的注意力检测方法的研究和应用[D]. 熊碧辉.杭州电子科技大学 2018
[4]高鲁棒性驾驶员疲劳检测方法研究[D]. 杨倩.北京邮电大学 2017
[5]网络在线学习情绪检测系统研究与实现[D]. 王勃.北京交通大学 2017
[6]基于改进CNN的人脸检测和识别技术研究[D]. 韦鹏飞.西南交通大学 2017
[7]基于卷积神经网络的人脸检测和表情识别[D]. 向佳.湖南科技大学 2017
[8]基于深度学习的三维人脸识别方法研究[D]. 吴梦蝶.哈尔滨工业大学 2016
[9]基于卷积神经网络的人脸表情和性别识别[D]. 产文涛.安徽大学 2016
[10]学习者在线学习状态检测工具的设计与实现[D]. 卢希.华中科技大学 2016
本文编号：3103253
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3103253.html
最近更新
教材专著
