| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于情绪认知的网络教学e-learning | 第13-14页 |
| 1.2.2 人脸检测及表情特征提取 | 第14-16页 |
| 1.2.3 情绪认知在E-learning中的应用 | 第16-17页 |
| 1.3 相关理论基础 | 第17-19页 |
| 1.3.1 人工情感 | 第17-18页 |
| 1.3.2 人工心理 | 第18页 |
| 1.3.3 情感计算 | 第18-19页 |
| 1.4 本文研究内容及论文结构 | 第19-21页 |
| 1.4.1 本文研究内容 | 第19-20页 |
| 1.4.2 论文结构 | 第20-21页 |
| 第2章 人脸检测及表情特征提取的技术基础 | 第21-26页 |
| 2.1 人脸检测算法 | 第21-23页 |
| 2.1.1 基于统计模型的检测方法 | 第21-22页 |
| 2.1.2 基于特征的检测方法 | 第22-23页 |
| 2.2 表情特征提取算法 | 第23-25页 |
| 2.2.1 嘴唇特征提取算法 | 第23-24页 |
| 2.2.2 眼睛特征提取算法 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第3章 E-learning中对于人脸检测算法的研究 | 第26-36页 |
| 3.1 E-learning教学情绪分析 | 第26页 |
| 3.2 图像采集与预处理 | 第26-28页 |
| 3.2.1 图像采集 | 第26-27页 |
| 3.2.2 图像处理 | 第27-28页 |
| 3.3 基于肤色的人脸检测算法 | 第28-30页 |
| 3.4 Adaboost人脸检测算法 | 第30-34页 |
| 3.4.1 Adaboost算法的流程描述 | 第30-32页 |
| 3.4.2 Adaboost算法的人脸检测实验 | 第32页 |
| 3.4.3 改进的Adaboost算法 | 第32-34页 |
| 3.5 基于肤色和改进的Adaboost算法结合的人脸检测 | 第34页 |
| 3.6 Adaboost算法的人脸检测实验 | 第34-35页 |
| 3.7 本章小结 | 第35-36页 |
| 第4章 网络教学情境中学习者人脸表情特征提取 | 第36-43页 |
| 4.1 基本思想 | 第36页 |
| 4.2 人脸面积的提取 | 第36-37页 |
| 4.3 瞳孔间距及眼帘间距提取 | 第37-39页 |
| 4.3.1 瞳孔间距提取 | 第37-39页 |
| 4.3.2 眼帘间距提取 | 第39页 |
| 4.4 嘴角弧度提取 | 第39-41页 |
| 4.4.1 嘴部轮廓定位 | 第40页 |
| 4.4.2 嘴部区域特征点的定位 | 第40-41页 |
| 4.4.3 嘴角弧度的计算 | 第41页 |
| 4.5 眉毛特征提取 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 第5章 系统的结构与实现 | 第43-53页 |
| 5.1 系统的整体框架 | 第43-45页 |
| 5.1.1 人脸检测与人脸面积提取 | 第43-44页 |
| 5.1.2 瞳孔间距及眼帘间距提取 | 第44页 |
| 5.1.3 嘴部定位与嘴角弧度提取 | 第44页 |
| 5.1.4 眉毛定位与眉毛长度提取 | 第44-45页 |
| 5.2 系统的开发及应用平台 | 第45页 |
| 5.3 系统运行效果 | 第45-49页 |
| 5.4 实验数据 | 第49-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 总结与展望 | 第53-56页 |
| 6.1 论文工作总结 | 第53-54页 |
| 6.2 论文工作展望 | 第54-56页 |
| 参考文献 | 第56-63页 |
| 发表的论文与参加的学术活动 | 第63-64页 |
| 致谢 | 第64页 |
