论文部分内容阅读
传统课堂教学由于班级人数多,一个教师无法及时有效地感知多个学生学习过程中的情绪状态。学习者对新知识出现认知障碍可能会产生消极的情绪状态而导致学习效率下降,教师及时根据学生学习情绪采取相应的调整措施,增强师生之间的课堂情感交流,将有助于提高课堂教学效率。运用信息技术帮助教师及时获取到学生的课堂情绪状态信息是当前教育领域的重要研究内容。面部表情含有丰富的情感信息,能反映出人的心理状态和情绪变化。目前大多研究者基于静态表情图像识别进行研究,但是在教学过程中,学习者的面部表情是一个动态变化的过程,基于静态图像的表情识别技术将不利于后期应用到实际教学环境中。为解决上述问题,本文基于动态序列表情识别技术展开研究,通过对动态面部表情的识别实现对学习者当前的情绪状态进行检测。在研究过程中,本文首先以情绪环状模型为理论依据,构建学习者情绪模型来描述六种基本表情与情绪状态之间的映射关系;其次,考虑到手动提取序列表情图像峰值帧不利于实际应用,本文采用了慢特征分析算法(SFA)自动获取峰值表情帧;再次,为获取到表情变化的关键特征信息,本文计算序列图片中面部特征点之间多类几何形状数据并将这些数据映射到图表中进行对比分析,根据图中的数据变化特点,选取其中变化幅度较为明显的特征,即对表情区分贡献较大的关键特征,主要包括角度、斜率、欧式距离和多边形四类几何形状数据,再利用Gabor变换提取人脸纹理特征,将两者的融合特征作为面部表情特征数据;最后,为了解决异构特征数据进行的有效融合、浅层学习难以再提高表情识别准确率以及深度网络学习架构应用于小样本数据集的分类问题中存在的问题,本文提出了基于深度多核学习的表情分类方法。对于六类基本表情,将本文提出的分类方法在基于The Extended Cohn-Kanade Dataset(CK+)动态序列表情库进行实验,得到的面部基本表情识别准确率可达94.4%,表明本文提出的方法对表情识别率的提高有一定的作用,为后期投入教学应用、促进教学环境智慧化奠定了坚实的技术基础。