教学环境下学习者情绪识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.2.3 存在的问题及解决方法 | 第12-13页 |
| 1.3 论文的研究内容及组织结构 | 第13-15页 |
| 第二章 情绪识别技术概述 | 第15-22页 |
| 2.1 情绪建模 | 第15-16页 |
| 2.2 人脸表情识别概述 | 第16-21页 |
| 2.2.1 表情识别整体流程 | 第16-17页 |
| 2.2.2 静态图像表情特征提取 | 第17-18页 |
| 2.2.3 动态序列图片表情特征提取 | 第18-19页 |
| 2.2.4 人脸表情分类方法 | 第19-20页 |
| 2.2.5 动态表情识别存在的问题及解决方法 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于融合特征的序列表情图像特征提取方法 | 第22-33页 |
| 3.1 峰值表情帧计算 | 第22-23页 |
| 3.2 基本表情特征提取 | 第23-31页 |
| 3.2.1 FACS理论 | 第23-26页 |
| 3.2.2 面部特征分析 | 第26-28页 |
| 3.2.3 几何特征模型 | 第28-30页 |
| 3.2.4 基本表情的Gabor特征提取 | 第30-31页 |
| 3.2.5 面部表情混合特征提取 | 第31页 |
| 3.3 本章小结 | 第31-33页 |
| 第四章 基于深度多核学习的人脸表情分类方法 | 第33-46页 |
| 4.1 支持向量机 | 第33-36页 |
| 4.1.1 分类原理 | 第33-34页 |
| 4.1.2 线性可分 | 第34-35页 |
| 4.1.3 非线性可分 | 第35页 |
| 4.1.4 SVM核函数 | 第35-36页 |
| 4.2 多核学习 | 第36-37页 |
| 4.3 深度学习 | 第37-39页 |
| 4.4 深度多核学习 | 第39-43页 |
| 4.4.1 深度多核模型 | 第39-40页 |
| 4.4.2 DMKL优化方法 | 第40-43页 |
| 4.5 基于DMKL的学习者情绪识别 | 第43-45页 |
| 4.6 本章小结 | 第45-46页 |
| 第五章 实验结果分析 | 第46-52页 |
| 5.1 基本表情数据库 | 第46页 |
| 5.2 实验方案与结果分析 | 第46-51页 |
| 5.2.1 基本表情实验方案与识别结果 | 第46-50页 |
| 5.2.2 情绪状态检测结果 | 第50-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 工作展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读硕士期间发表的论文 | 第59-60页 |
| 致谢 | 第60页 |
