| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作及内容安排 | 第11-12页 |
| 本章小结 | 第12-13页 |
| 第二章 基于人工提取特征的课堂自动点名 | 第13-32页 |
| 2.1 引言 | 第13-14页 |
| 2.2 基于Haar-like和Adaboost的人脸检测 | 第14-19页 |
| 2.2.1 滑动窗口 | 第14-16页 |
| 2.2.2 Haar-like特征提取 | 第16-18页 |
| 2.2.3 Adaboost分类器 | 第18-19页 |
| 2.3 基于LBP和SVM的人脸识别 | 第19-23页 |
| 2.3.1 LBP特征提取 | 第19-21页 |
| 2.3.2 SVM分类器 | 第21-23页 |
| 2.4 实验部分 | 第23-31页 |
| 2.4.1 实验设置 | 第23-25页 |
| 2.4.2 实验与结果分析 | 第25-31页 |
| 本章小结 | 第31-32页 |
| 第三章 基于深度学习的课堂自动点名 | 第32-43页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于深度学习的课堂点名算法 | 第33-37页 |
| 3.2.1 基于漏斗型级联结构的人脸检测 | 第33-34页 |
| 3.2.2 基于深度自编码器网络的人脸对齐 | 第34-36页 |
| 3.2.3 基于VIPLFaceNet的人脸识别 | 第36-37页 |
| 3.3 实验部分 | 第37-42页 |
| 3.3.1 实验设置 | 第37-38页 |
| 3.3.2 实验与结果分析 | 第38-42页 |
| 本章小结 | 第42-43页 |
| 第四章 基于视频图像的听课状态检测 | 第43-60页 |
| 4.1 引言 | 第43-44页 |
| 4.2 听课状态检测方法 | 第44-53页 |
| 4.2.1 听课时间统计 | 第44-47页 |
| 4.2.2 课堂状态分析 | 第47-53页 |
| 4.3 实验部分 | 第53-59页 |
| 4.3.1 实验设置 | 第53-54页 |
| 4.3.2 实验及结果分析 | 第54-59页 |
| 本章小结 | 第59-60页 |
| 第五章 基于Android的课堂点名及听课状态检测系统 | 第60-70页 |
| 5.1 引言 | 第60页 |
| 5.2 Android开发平台与代码架构 | 第60-61页 |
| 5.3 系统设计 | 第61-66页 |
| 5.3.1 课堂点名移植 | 第63-64页 |
| 5.3.2 基于异步通信的听课状态检测 | 第64-66页 |
| 5.4 测试部分 | 第66-69页 |
| 5.4.1 测试环境 | 第66-67页 |
| 5.4.2 测试结果与展示 | 第67-69页 |
| 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 攻读硕士学位期间参与的项目 | 第75-76页 |
| 致谢 | 第76页 |