| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-10页 |
| 1.2 智能教育的发展及应用 | 第10-11页 |
| 1.2.1 智能教育 | 第10页 |
| 1.2.2 智能教育的现状和应用 | 第10-11页 |
| 1.2.3 智能教育的发展 | 第11页 |
| 1.3 人工智能和教育相结合 | 第11-12页 |
| 1.4 基于视频分析的学生学习状态评价技术发展现状 | 第12-14页 |
| 1.5 论文研究内容 | 第14-16页 |
| 1.5.1 论文主要工作 | 第14-15页 |
| 1.5.2 论文结构 | 第15-16页 |
| 第二章 系统整体方案设计 | 第16-23页 |
| 2.1 系统功能需求分析 | 第16-17页 |
| 2.2 视频采集硬件平台方案 | 第17-21页 |
| 2.3 基于视频的学生学习状态智能分析方案 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 人脸检测与提取算法研究与实现 | 第23-31页 |
| 3.1 人脸检测与提取 | 第23-25页 |
| 3.2 MB-LBP特征提取 | 第25-27页 |
| 3.3 人脸检测与提取实现 | 第27-30页 |
| 3.3.1 人脸检测与提取实现流程 | 第27-28页 |
| 3.3.2 人脸检测与提取实现结果 | 第28-30页 |
| 3.4 本章小结 | 第30-31页 |
| 第四章 学生表情数据预处理及笑容特征提取算法研究 | 第31-44页 |
| 4.1 人脸特征点自动标定 | 第31-33页 |
| 4.1.1 DLIB机器学习算法 | 第31-32页 |
| 4.1.2 基于Dlib的特征点标定 | 第32-33页 |
| 4.2 面向人脸表情分析的特征值建模 | 第33-35页 |
| 4.2.1 FACS编码器 | 第33-34页 |
| 4.2.2 ISFER模型 | 第34-35页 |
| 4.3 学生学习环境下笑容分析的特征值选取策略 | 第35-39页 |
| 4.4 面部偏转矫正算法 | 第39-41页 |
| 4.5 学生表情数据预处理及笑容特征提取算法实现 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 第五章 基于SVM的学生课堂笑容有效性分析算法研究 | 第44-54页 |
| 5.1 SVM(支持向量机) | 第44-47页 |
| 5.1.1 Logistic回归 | 第44-46页 |
| 5.1.2 SVM分类算法 | 第46-47页 |
| 5.2 笑容强度特征定级 | 第47-50页 |
| 5.3 基于SVM的笑容分类 | 第50-53页 |
| 5.4 本章小结 | 第53-54页 |
| 第六章 结论与展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 在学期间的研究成果 | 第57-58页 |
| 致谢 | 第58页 |