| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 网络在线学习情绪建模 | 第15-21页 |
| 2.1 网络教学特点研究 | 第15-16页 |
| 2.1.1 基本概念 | 第15-16页 |
| 2.1.2 网络教学的特点 | 第16页 |
| 2.2 网络在线学习情感模型 | 第16-20页 |
| 2.2.1 情绪产生的心理机制 | 第16-18页 |
| 2.2.2 网络在线学习情感建模 | 第18-20页 |
| 2.3 本章小结 | 第20-21页 |
| 3 在线学习环境下学习者人脸特征提取 | 第21-38页 |
| 3.1 学习者人脸图像增强 | 第21-25页 |
| 3.1.1 直方图均衡增强 | 第21-22页 |
| 3.1.2 拉普拉斯算子增强 | 第22-23页 |
| 3.1.3 基于对数变换的图像增强 | 第23-24页 |
| 3.1.4 伽马变换增强 | 第24-25页 |
| 3.2 LBP特征提取 | 第25-28页 |
| 3.2.1 基本LBP算法 | 第25-26页 |
| 3.2.2 圆形LBP算法 | 第26-27页 |
| 3.2.3 学习者人脸LBP特征提取 | 第27-28页 |
| 3.3 AdaBoost算法简介 | 第28-30页 |
| 3.3.1 AdaBoost算法原理 | 第28-30页 |
| 3.3.2 训练误差分析 | 第30页 |
| 3.4 基于AdaBoost的学习者人脸检测算法设计 | 第30-35页 |
| 3.4.1 人脸图像归一化 | 第31-33页 |
| 3.4.2 学习者人脸图像分块 | 第33-34页 |
| 3.4.3 构造人脸分类器 | 第34-35页 |
| 3.5 学习者人脸特征提取模块算法实现 | 第35-37页 |
| 3.5.1 算法训练 | 第35-36页 |
| 3.5.2 算法测试 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 在线学习环境下实时学习情绪识别 | 第38-67页 |
| 4.1 基于CLM算法的学习者人脸特征点追踪与优化 | 第38-51页 |
| 4.1.1 常用目标跟踪算法 | 第39-42页 |
| 4.1.2 CLM算法在学习者人脸特征跟踪中的应用 | 第42-45页 |
| 4.1.3 基于Kalman滤波算法人脸特征点位置跟踪优化 | 第45-48页 |
| 4.1.4 算法训练与测试 | 第48-51页 |
| 4.2 认知度和趋避度的学习表情分类 | 第51-57页 |
| 4.2.1 支持向量机原理 | 第51-52页 |
| 4.2.2 学习者学习表情的概率输出 | 第52-55页 |
| 4.2.3 算法训练与测试 | 第55-57页 |
| 4.3 学习者兴奋度检测 | 第57-60页 |
| 4.3.1 PERCLOS方法简介 | 第57-58页 |
| 4.3.2 学习者兴奋度检测 | 第58-60页 |
| 4.4 学习情绪检测系统实现 | 第60-66页 |
| 4.4.1 系统流程 | 第60-62页 |
| 4.4.2 学习情绪检测系统实现及结果分析 | 第62-66页 |
| 4.5 本章小结 | 第66-67页 |
| 5 总结与展望 | 第67-69页 |
| 5.1 论文工作总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第72-74页 |
| 学位论文数据集 | 第74页 |
