| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景与研究意义 | 第9-13页 |
| 1.1.1 研究背景 | 第9-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 研究现状和趋势 | 第13-15页 |
| 1.2.1 在线学习监管的研究现状 | 第13-14页 |
| 1.2.2 人脸识别在在线教育中的应用研究现状 | 第14-15页 |
| 1.3 论文工作与结构 | 第15-18页 |
| 1.3.1 论文工作 | 第15-16页 |
| 1.3.2 论文结构 | 第16-18页 |
| 第2章 基础知识 | 第18-29页 |
| 2.1 人脸识别技术理论 | 第18-20页 |
| 2.1.1 人脸图像采集及检测 | 第18页 |
| 2.1.2 图像预处理 | 第18-19页 |
| 2.1.3 特征提取 | 第19页 |
| 2.1.4 匹配与识别 | 第19-20页 |
| 2.2 卷积神经网络理论 | 第20-27页 |
| 2.2.1 卷积神经网络的结构 | 第20-22页 |
| 2.2.2 卷积神经网络的前向传播 | 第22-24页 |
| 2.2.3 卷积神经网络的反向传播 | 第24-27页 |
| 2.3 决策树相关理论 | 第27-28页 |
| 2.3.1 决策树的概念 | 第27页 |
| 2.3.2 决策树算法 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于面部识别的在线学习行为深度感知模型设计 | 第29-47页 |
| 3.1 在线学习行为深度感知模型设计 | 第29-31页 |
| 3.1.1 在线学习行为深度感知模型提出 | 第29页 |
| 3.1.2 在线学习行为深度感知模型 | 第29-31页 |
| 3.2 模型需要解决的问题 | 第31-34页 |
| 3.2.1 人脸关键点定位 | 第31-32页 |
| 3.2.2 眼睛状态检测 | 第32-33页 |
| 3.2.3 情绪特征识别 | 第33-34页 |
| 3.3 模型问题解决方法 | 第34-41页 |
| 3.3.1 基于级联卷积神经网络的人脸关键点定位 | 第34-38页 |
| 3.3.2 基于卷积神经网络的眼睛状态检测方法 | 第38-39页 |
| 3.3.3 基于卷积神经网络的情绪识别方法 | 第39-41页 |
| 3.4 在线学习行为深度感知分类方法 | 第41-46页 |
| 3.4.1 人脸识别中常用的几种分类算法 | 第41-42页 |
| 3.4.2 基于SVM的卷积神经网络分类模型 | 第42-43页 |
| 3.4.3 实验及结果分析 | 第43-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于决策树算法的在线学习行为评估方法 | 第47-52页 |
| 4.1 在线学习行为评估系统结构 | 第47-48页 |
| 4.2 基于C4.5算法的在线学习行为评估方法 | 第48-49页 |
| 4.2.1 学习行为数据采集 | 第48页 |
| 4.2.2 构建决策树 | 第48-49页 |
| 4.2.3 决策树分类规则 | 第49页 |
| 4.3 实验及结果分析 | 第49-51页 |
| 4.3.1 实验 | 第49-50页 |
| 4.3.2 结果及分析 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 在线学习行为深度感知与评估系统实现 | 第52-60页 |
| 5.1 系统开发环境与工具 | 第52-53页 |
| 5.2 系统设计与实现 | 第53-59页 |
| 5.2.1 系统设计 | 第53-55页 |
| 5.2.2 系统主要功能 | 第55页 |
| 5.2.3 客户端运行效果 | 第55-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第6章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 在读期间发表的论文及相关成果 | 第67-68页 |
| 致谢 | 第68页 |