| 摘要 | 第10-11页 |
| ABSTRACT | 第11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究内容和研究意义 | 第13-17页 |
| 1.2.1 研究内容 | 第13-15页 |
| 1.2.2 研究意义 | 第15-17页 |
| 1.3 国内外研究现状 | 第17-20页 |
| 1.3.1 国内研究现状文献综述 | 第17页 |
| 1.3.2 国外研究现状 | 第17-18页 |
| 1.3.3 相关技术发展现状 | 第18-20页 |
| 1.4 本文结构安排 | 第20-22页 |
| 第二章 学生课堂行为视频观察记录系统技术分析 | 第22-30页 |
| 2.1 系统概述 | 第22-24页 |
| 2.1.1 需求分析 | 第22-23页 |
| 2.1.2 数据处理流程 | 第23-24页 |
| 2.2 观察目标检测算法 | 第24-27页 |
| 2.3 视频数据结构化和内容分析 | 第27-28页 |
| 2.4 视频数据记录 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于人脸检测的观察目标活动区域分割方法 | 第30-46页 |
| 3.1 人脸检测基本原理 | 第30-40页 |
| 3.1.1 人脸检测概述 | 第30-31页 |
| 3.1.2 基于肤色模型的人脸检测算法 | 第31-36页 |
| 3.1.3 基于Haar-like特征的Adaboost人脸检测算法 | 第36-40页 |
| 3.2 融合肤色信息的Adaboost人脸检测算法 | 第40-44页 |
| 3.2.1 YCgCr颜色空间 | 第40-41页 |
| 3.2.2 基于支持向量机的肤色模型 | 第41-42页 |
| 3.2.3 算法流程 | 第42-43页 |
| 3.2.4 实验结果 | 第43-44页 |
| 3.3 观察目标活动区域分割实现 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于人脸识别的观察目标分类提取技术 | 第46-52页 |
| 4.1 人脸识别基本原理 | 第46-50页 |
| 4.1.1 主成分分析(PCA)人脸识别算法 | 第46-48页 |
| 4.1.2 基于LBP特征的人脸识别算法 | 第48-49页 |
| 4.1.3 实验测试 | 第49-50页 |
| 4.2 观察目标分类提取实现 | 第50-51页 |
| 4.2.1 观察目标提取分析 | 第50页 |
| 4.2.2 应用人脸识别算法时的处理方法 | 第50-51页 |
| 4.2.3 实验结果 | 第51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 基于行为识别的学生课堂活动记录方法 | 第52-60页 |
| 5.1 人物行为识别基本原理 | 第52-55页 |
| 5.1.1 行为识别概述 | 第52页 |
| 5.1.2 行为特征提取 | 第52-53页 |
| 5.1.3 基于特征匹配行为识别方法 | 第53-55页 |
| 5.2 学生课堂活动记录实现 | 第55-59页 |
| 5.2.1 学生课堂活动分析 | 第55页 |
| 5.2.2 学生课堂行为记录表生成 | 第55-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 学生课堂行为观察系统设计与实现 | 第60-64页 |
| 6.1 系统硬件平台设计 | 第60-61页 |
| 6.2 软件设计 | 第61-63页 |
| 6.2.1 数据处理软件设计 | 第61-62页 |
| 6.2.2 数据记录软件设计 | 第62-63页 |
| 6.2.3 系统性能分析 | 第63页 |
| 6.3 本章小结 | 第63-64页 |
| 第七章 总结与展望 | 第64-66页 |
| 7.1 全文总结 | 第64-65页 |
| 7.2 研究展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者在学期间取得的学术成果 | 第72页 |