人脸检测和表情识别在课堂教学评价中的应用

传统的课堂教学评价往往效率低下,并带有较强的主观性。针对传统课堂评价中存在的不足,结合深度学习技术,在CNN模型基础上建立起适合课堂场景的人脸检测和表情识别模型,得到比较准确的人脸特征,接着使用朴素贝叶斯分类器对得到的人脸特征进行分类和评价,然后研究面部特征与课堂质量之间的关系,最后建立起基于人脸检测和表情识别的课堂评价规则。实验数据表明,本研究可以作为课堂教学评价的重要参考指标。     

支撑向量机在人脸表情识别中的应用

人脸表情是人类交流的一种重要的沟通方式,面部表情的识别有着广泛的应用领域,主要包括了人脸检测、表情特征提取和表情分类这3个关键环节。介绍了支撑向量机的基本原理,认为因其强大的分类能力,已被成功应用到人脸检测、人脸的姿态估计、人脸识别和语音情感识别中,且实验表明在表情识别方面亦能取得较高的识别率。     

AAM和PCA-SVM在人脸表情识别中的应用

介绍了AAM基本理论,提出基于AAM＋PCA＋SVM的人脸表情识别方法.首先获取人脸样本的纹理模型和形状模型,然后利用主成分分析（PCA）建立AAM模型,将该统计模型的AAM应用到人脸特征点定位,对人脸表情进行特征提取,将PCA训练用于识别的支持向量机过程中,并进行分类.实验表明该方法降低了算法的时间复杂度,定位准确率高,同时不影响人脸表情的识别率.     

人脸表情识别研究的新进展

人脸表情识别是当前计算机视觉、模式识别、人工智能等领域的热点研究课题。它是智能人机交互技术中的一个重要组成部分,近年来得到广泛的关注,不同领域的研究者提出了许多新方法。本文综述了国内外近年来人脸表情识别技术的最新发展状况,对人脸表情识别系统所涉及到的关键技术:人脸表情特征提取和人脸表情分类,分别做了详细分析和归纳。最后,总结了人脸表情识别的研究现状,并指出了其未来的发展方向。     

改进朴素贝叶斯算法的人脸表情识别

传统图像特征提取具有较高维度缺陷,造成算法分类效率低、复杂度高、分类速度慢、计算开销大等问题.为此提出AAM算法,定位关键点提取人脸表情几何特征.将朴素贝叶斯分类器结合特征属性重要度调节高斯核函数,使用K近邻算法实现分类决策,提出一种WNBC-KNN分类方法,从降低数据维度和分类算法两方面优化人脸表情分类.在CK+数据...     

基于卷积神经网络的人脸表情识别研究

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。     

基于改进SVM的人脸表情识别技术研究

结合Gabor小波变换的特征提取算法提出了一种基于决策模板的多分类支持向量机.该方法在对JAFFE基本表情数据库进行训练并测试时获得了较高的正确率,实验结果表明该方法是一种有效的表情识别算法.     

基于深度残差网络与人脸关键点的表情识别

为解决表情识别任务中表情特征提取困难和单一的问题,提出一种结合深度残差网络与几何特征的表情识别分法.该方法对深度残差网络进行改进,使用连续小卷积代替大卷积,在各残差块中加入注意力机制,将相同的两个改进残差网络分别作为分支网络,各自提取表情特征,再通过加和平均进行聚合实现特征互补,得到全局特征.采用人脸关键点构建并计算人...     

人脸检测和识别在门禁系统上的应用

本文简要介绍一种门禁系统,采用人脸检测和识别的方法,系统软件使用Visual C++程序设计,程序边缘检测效果好,处理速度快。     

基于稀疏表示的人脸表情识别算法研究

针对基于局部纹理特征的人脸表情识别算法不能有效表达不同表情状态下人脸运动单元差异性的问题,提出一种改进的稀疏表示人脸表情识别算法,将人脸纹理特征与全局位置特征用稀疏表示模型相结合,得到人脸表情的稀疏系数矩阵,并作为支持向量机表情识别的输入。人脸表情库BU_3DFE实验结果表明,该算法提高了表情识别的准确率。     

教学系统中人脸表情识别系统的监督作用

本文针对人脸表情识别系统在教学系统中的监督作用的研究,分析了人脸表情识别系统的概述,明确了其应用的领域和所发挥的作用,进而分析了当下教学系统中运用人脸表情识别系统的重要性,并重点分析了人脸表情识别系统在教学系统中的具体监督作用。     

基于自建表情数据集和深度神经网络的人脸表情识别方法

为了更好地将现有深度卷积神经网络应用于表情识别,提出自建表情数据集和深度网络结构改进相结合的方法．首先构建了当前行业最大的人脸表情数据集,解决了表情数据集存在的类别不平衡和数据集合噪声问题;然后通过修改网络结构,实验不同的神经网络基础模型,并调节各个分类在损失目标函数的权重,在CK+数据集上的验证实验表明,所提出方法获得超过SOTA的人脸表情识别准确率,达到97.5%.     

课堂环境中基于面部表情的教学效果分析*CSSCI

追求教学效率是教学的本质特性,也是当前课程改革的重要目标;而课堂是教师提高教学质量,实现有效教学的主战场。当前教师主要采用课堂观察和提问的方式与学生交互,无疑会因个人精力不足等原因,造成信息传递与反馈的片面性与滞后性。信息技术的高速发展,特别是视频监控系统的智能化发展,为弥补上述问题提供了可能。结合现有智能监控设备设计的课堂教学评价系统,利用多姿态人脸检测和面部表情识别技术,及时获取学生在学习过程中的情绪变化,反馈给教师,帮助教师准确全面地掌握所有学生在课堂教学中的参与情况。该系统不仅能够自动跟踪及分析教学过程中学生的整体状态,有效掌控课堂教学过程;还可指定跟踪对象,对指定对象在课堂中的状态进行统计分析,以便进行个体的针对性指导以及学习问题的及时矫正。     

强度和类型可控的人脸表情生成

为了使机器生成更复杂、细腻的人脸表情,提出了一种对生成表情的类型和强度同时进行控制的机制,即将编码后的情感特征与面部动作单元解析结果共同参与学习,使融合该机制的模型不仅能生成不同类型、不同强度的表情,还支持混合表情的生成,且使生成图像更具有情绪感染力;并在模拟现实的场景下对融合该机制的模型进行应用测试,利用社交文本信息所传达出的情感,生成随情感连续变化的表情图像。     

基于学生情绪动态识别的课堂教学研究

现代高校课堂教学大多仍是一对多的教学模式。受教师资源的限制,有些基础课程的班级人数可达数百人。对于这种授课情境,教师难以实时获取全体学生的学习反馈,因此提出采用基于阵列摄像头获取全体学生课堂面部表情、判断知识点教学效果的实时反馈系统,可以辅助教师动态了解学生的学习状态,以便及时调整教学方式或进度。通过课堂实验及课后问卷调查结果,表明此反馈系统可有效提高教学质量,从而达到更理想的教学效果。     

基于差图像的人脸动态表情特征提取

在人脸表情的识别中,动态表情图像包含丰富的信息,应用非常广泛．在动态表情特征的提取中,差图像特征提取是通过基于逆向组合的图像对齐方法实现的,图像对齐方法可以在一定程度上避免差图像特征与几何特征的误差相关性,同时逆向组合又可以保证在不损失图像对齐精度的前提下大大提高运算速度．     

应用表情识别与视线跟踪的智能教学系统研究

学习者的面部表情是教师获得教学反馈信息的重要来源之一。表情识别利用计算机识别人脸表情,了解人的心理状态;视线跟踪则根据眼睛的特征和位置来判别注视的区域。二者的结合可以较好地弥补远程学习者对学习内容的表情反馈信息缺失方面的不足。但国内尚未查到将表情识别与视线跟踪相结合作为表情反馈信息收集方法的公开文献。为此,文中提出基于表情识别和视线跟踪技术的智能教学系统结构模型;构建学习相关表情库的方案;并设计表情识别与视线跟踪相结合获取反馈信息的技术框架。     

DCT特征与SVM分类在人脸检测中的应用

人脸检测作为人脸识别系统的重要一环,越来越受到技术研究和商业应用的关注。针对人脸检测中时间和检测率不能很好保证的情况,提出了使用DCT变换和支持向量机的人脸检测算法。利用离散余弦变换的系数作为支持向量机的输入特征值,证明该方法能提高人脸检测的准确性,并缩短检测时间。     

羞怯水平、表情属性对大学生面孔表情识别的影响

运用《大学生羞怯量表》对160名大学生进行问卷调查,选取20名高羞怯组大学生、20名低羞怯组大学生参与E-prime实验程序,以研究不同羞怯水平大学生在面孔表情识别上的差异.结果显示:不同羞怯水平大学生的面孔表情识别存在显著差异;个体对不同强度的表情图片的识别存在显著差异;个体对低强度正性表情的反应时显著大于对高强度及中强度正性表情的反应时,对低强度负性表情的反应时显著大于对高强度负性表情的反应时.研究结果表明:羞怯水平、表情的强度与性质对大学生的面孔表情识别有重要影响.     

JNI技术在基于OpenCV的人脸与微笑检测中的应用

人脸识别技术是当前人工智能中较为热门的一个分支,已经有许多开源的视觉库为其奠定了良好基础,如OpenCV等,然而OpenCV在Java环境下有诸多不便。为了解决这一问题,介绍了JNI技术,以及在Java环境下,如何通过JNI调用OpenCV库实现人脸与微笑检测。实验结果表明,将JNI应用于Java虚拟机的人脸检测,可获得更高的人脸检测速度。