新一代信息技術(shù)的興起推動了在線學(xué)習(xí)的快速發(fā)展。但由于情感缺失等原因?qū)е略诰�學(xué)習(xí)參與度較低。為了消除情感缺失對在線學(xué)習(xí)帶來的不利影響,在線學(xué)習(xí)平臺必須能夠及時感知學(xué)習(xí)者的學(xué)習(xí)情感狀態(tài)。表情識別是實時感知在線學(xué)習(xí)情感狀態(tài)的重要手段之一。目前,在線學(xué)習(xí)表情識別存在著表情分類體系不完善、開放數(shù)據(jù)集缺乏以及學(xué)習(xí)表情識別算法魯棒性差等一系列問題。針對上述問題,本文對在線學(xué)習(xí)表情識別進行了深入研究,主要工作如下:第一,構(gòu)建小學(xué)生在線學(xué)習(xí)表情數(shù)據(jù)庫。通過分析在線學(xué)習(xí)情境中的學(xué)生表情,確定六種常見的學(xué)習(xí)情感狀態(tài):理解、傾聽、好奇、疑惑、疲憊和分神。并以此構(gòu)建在線學(xué)習(xí)表情數(shù)據(jù)庫,該數(shù)據(jù)庫共包含來自115名學(xué)生的1447幅圖像。第二,提出利用基于遷移學(xué)習(xí)的方法提取學(xué)習(xí)表情特征。本文將VGG16卷積神經(jīng)網(wǎng)絡(luò)模型在大型圖像數(shù)據(jù)集ImageNet上訓(xùn)練好的網(wǎng)絡(luò)權(quán)重作為初始權(quán)重,利用本文采集到的學(xué)習(xí)表情圖像進行遷移學(xué)習(xí),并更新權(quán)重,最后使用遷移學(xué)習(xí)得到的VGG16模型提取深度特征。第三,基于特征融合的在線學(xué)習(xí)表情識別。本文將CNN深度特征、HOG紋理特征和SIFT特征進行融合,通過SVM實現(xiàn)學(xué)習(xí)表情的分類。并通過大...

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖３．２在線學(xué)習(xí)表情示例??１７??

碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??男生和５７名女生。每位被采集者錄制視頻的時間不超過５分鐘。視頻采集時，要??求被釆集者坐在計算機顯示器正前方做出指定表情，被采集者與攝像頭之間的距離??需要控制在４０－６０ｃｍ之間，錄制過程中盡量減少對被采集者的干擾，允許被采集者....

圖４．３?ｂｌｏｃｋ和ｃｅｌｌ關(guān)系圖??ＨＯＧ算法的特征提取流程如圖４．４所示：??

入的樣本圖像劃分為多個由像素點組成??的連通區(qū)域（ｃｅｌｌ），將相鄰ｃｅｌｌ進行組合，可以得到區(qū)域塊（ｂｌｏｃｋ）。分別計算并統(tǒng)??計每個ｃｅｌｌ中各個像素的邊緣或梯度方向和幅值信息，并生成直方圖，得到ｃｅｌｌ的??特征向量。將相鄰ｃｅｌｌ的特征向量串聯(lián)，從而得到每個ｂｌｏｃｋ塊....

圖４．７關(guān)鍵點匹配流程圖??提取和匹配圖像ＳＩＦＴ特征的具體步驟如下：??

碩士學(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??Ｉｆｉ?Ａ－?塊??＜?＞?／?ＢｌｏｃｋＳｉｚｅ（１６，１６）??７ｉ?Ｎ?Ｉ??」／??ｊ?／—窗口??８?／’?＇??＾?／??￣ｆ?，??／」?ｉ??塊滑動增量－１??ＢｌｏｃｋＳｔｒｉｄｅ?（８，８）??圖４．６塊滑動增....

圖４．８?ＤＯＧ尺度空間示意圖??２６??

方法：??Ｄ｛ｘ，ｙ，?〇？）?＝?［Ｇ｛ｘ，ｙ，?ｋａ）?－?Ｇ（ｘ，ｙ，ａ）］＊?Ｉ（ｘ，?ｙ）??＝Ｌ（ｘ，ｙ，ｋａ）?—?Ｌ｛ｘ，?ｙ，?ａ）?公式?４．９??其中，ｋ為兩個相鄰高斯尺度空間的比例因子。??圖像金字塔是由許多大小不同的圖像組成的，越靠近金字塔頂端，圖像尺寸....

本文編號：3979202