情感化智能教室中表情识别算法的改进研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 智能教室概述 | 第10-11页 |
| 1.2 论文研究背景 | 第11-12页 |
| 1.2.1 教育教学问题 | 第11页 |
| 1.2.2 人脸表情识别的应用 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 情感识别相关技术 | 第14-22页 |
| 2.1 基于视频的运动目标分割 | 第14-16页 |
| 2.1.1 几种主流的分割算法 | 第14-15页 |
| 2.1.2 帧间差分法的原理 | 第15-16页 |
| 2.2 基于视频的人脸检测 | 第16-18页 |
| 2.2.1 人脸检测分类 | 第16-18页 |
| 2.2.2 基于视频的人脸检测难点 | 第18页 |
| 2.3 AU识别 | 第18-19页 |
| 2.4 AU特征提取 | 第19-20页 |
| 2.4.1 传统的LBP算子 | 第19页 |
| 2.4.2 LBP旋转不变模式 | 第19-20页 |
| 2.4.3 LBP特征用于检测的原理 | 第20页 |
| 2.5 SVM分类 | 第20-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 表情识别中LBP算法的改进研究 | 第22-31页 |
| 3.1 人脸检测 | 第22-26页 |
| 3.1.1 图像预处理 | 第22-23页 |
| 3.1.2 基于帧间差分的人脸检测 | 第23-24页 |
| 3.1.3 图像分割方法的选择和算法 | 第24页 |
| 3.1.4 二值化中阈值的选择 | 第24-25页 |
| 3.1.5 实验结果与分析 | 第25-26页 |
| 3.2 AU特征提取 | 第26-29页 |
| 3.2.1 改进的LBP特征提取 | 第26-27页 |
| 3.2.2 LBP特征提取前的关键点定位 | 第27页 |
| 3.2.3 生成直方图前的均衡化 | 第27页 |
| 3.2.4 实验结果与对比 | 第27-29页 |
| 3.3 面部表情识别 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 表情识别算法在智能教室系统中的应用 | 第31-45页 |
| 4.1 模块描述 | 第31-32页 |
| 4.2 硬件介绍 | 第32-34页 |
| 4.2.1 处理器与ZigBee芯片的选择 | 第32-33页 |
| 4.2.2 树莓派连接 | 第33-34页 |
| 4.3 软件实现 | 第34-44页 |
| 4.3.1 OpenCV+QT的环境配置 | 第34-35页 |
| 4.3.2 应用层程序的软件框架 | 第35页 |
| 4.3.3 基于智能教室的表情识别实现 | 第35-38页 |
| 4.3.4 基于智能教室的课程效果分析 | 第38-39页 |
| 4.3.5 基于增量模型的主页面设计 | 第39-40页 |
| 4.3.6 基于增量模型的应用层程序设计 | 第40页 |
| 4.3.7 终端节点软件设计 | 第40-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 总结与展望 | 第45-47页 |
| 5.1 本文总结 | 第45-46页 |
| 5.2 工作展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 在校期间发表论文、科研成果 | 第50-51页 |
| 致谢 | 第51页 |
