当前位置:主页 > 教育论文 > 课堂教学论文 >

基于特征融合的小学生在线学习表情识别研究

发布时间:2024-05-20 22:19
  新一代信息技术的兴起推动了在线学习的快速发展。但由于情感缺失等原因导致在线学习参与度较低。为了消除情感缺失对在线学习带来的不利影响,在线学习平台必须能够及时感知学习者的学习情感状态。表情识别是实时感知在线学习情感状态的重要手段之一。目前,在线学习表情识别存在着表情分类体系不完善、开放数据集缺乏以及学习表情识别算法鲁棒性差等一系列问题。针对上述问题,本文对在线学习表情识别进行了深入研究,主要工作如下:第一,构建小学生在线学习表情数据库。通过分析在线学习情境中的学生表情,确定六种常见的学习情感状态:理解、倾听、好奇、疑惑、疲惫和分神。并以此构建在线学习表情数据库,该数据库共包含来自115名学生的1447幅图像。第二,提出利用基于迁移学习的方法提取学习表情特征。本文将VGG16卷积神经网络模型在大型图像数据集ImageNet上训练好的网络权重作为初始权重,利用本文采集到的学习表情图像进行迁移学习,并更新权重,最后使用迁移学习得到的VGG16模型提取深度特征。第三,基于特征融合的在线学习表情识别。本文将CNN深度特征、HOG纹理特征和SIFT特征进行融合,通过SVM实现学习表情的分类。并通过大...

【文章页数】:58 页

【学位级别】:硕士

【部分图文】:

图3.2在线学习表情示例??17??

图3.2在线学习表情示例??17??

硕士学位论文??MASTER'S?THESIS??男生和57名女生。每位被采集者录制视频的时间不超过5分钟。视频采集时,要??求被釆集者坐在计算机显示器正前方做出指定表情,被采集者与摄像头之间的距离??需要控制在40-60cm之间,录制过程中尽量减少对被采集者的干扰,允许被采集者....


图4.3?block和cell关系图??HOG算法的特征提取流程如图4.4所示:??

图4.3?block和cell关系图??HOG算法的特征提取流程如图4.4所示:??

入的样本图像划分为多个由像素点组成??的连通区域(cell),将相邻cell进行组合,可以得到区域块(block)。分别计算并统??计每个cell中各个像素的边缘或梯度方向和幅值信息,并生成直方图,得到cell的??特征向量。将相邻cell的特征向量串联,从而得到每个block块....


图4.7关键点匹配流程图??提取和匹配图像SIFT特征的具体步骤如下:??

图4.7关键点匹配流程图??提取和匹配图像SIFT特征的具体步骤如下:??

硕士学位论文??MASTER'S?THESIS??Ifi?A-?块??<?>?/?BlockSize(16,16)??7i?N?I??」/??j?/—窗口??8?/’?'??^?/?? ̄f?,??/」?i??块滑动增量-1??BlockStride?(8,8)??图4.6块滑动增....


图4.8?DOG尺度空间示意图??26??

图4.8?DOG尺度空间示意图??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为两个相邻高斯尺度空间的比例因子。??图像金字塔是由许多大小不同的图像组成的,越靠近金字塔顶端,图像尺寸....



本文编号:3979202

资料下载
论文发表

本文链接:https://www.wllwen.com/jiaoyulunwen/ktjx/3979202.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户6e507***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com