导读:本文包含了面部表情自动识别论文开题报告文献综述及选题提纲参考文献，主要关键词:表情识别,深度学习,图像处理,视频分析
面部表情自动识别论文文献综述
李升辉,李虹静[1]（2019）在《基于深度卷积神经网络的面部表情自动识别检测》一文中研究指出在人机交互领域中,对人脸的表情进行自动识别是一项有趣且十分具有挑战性的工作,尤其是对视频及图像中的人脸进行表情识别。提出一种能够自动从图像或者视频中找到人脸,进而对其表情进行识别的网络模型。在包含人脸图像的数据集中训练模型,使其自动检测图像中的人脸,并根据人脸识别其表情。最后在测试的数据集上验证该模型的表现。(本文来源于《科技与创新》期刊2019年17期）
陈子健,朱晓亮[2]（2019）在《基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径》一文中研究指出面部表情是表达情绪的主要通道,也是用于情绪识别的一种重要信号。以计算机视觉、人工智能、情感计算等新兴技术为支撑,计算机可以通过识别学习者外显的面部表情,来判断学习者内隐的情绪状态,从而获取识别、理解学习者情绪的能力。实现基于面部表情的学习者情绪识别,首先需要在对不同情绪表征方法进行对比分析的基础上,确定适用的情绪表征方法,再对基于面部表情的学习者情绪识别的适切性进行论证。作为面部表情识别流程中的核心环节,面部表情特征提取方法分为传统的计算机视觉方法和深度学习方法两大类。梳理不同特征提取算法的特点及局限性,可以为探索适合学习者面部表情识别的特征提取算法提供借鉴,并推动学习者面部表情识别研究的发展和有效应用。当前,学习者情绪面部表情识别相关研究仍存有局限性,需要从大规模的自然的学习者情绪面部表情数据库的共建共享,并融合多种特征识别学习者情绪面部表情;从结合人工设计和自动学习两种方法,提取面部表情特征等多种路径,来提升研究深度。(本文来源于《远程教育杂志》期刊2019年04期）
江波,李万健,李芷璇,叶韵[3]（2018）在《基于面部表情的学习困惑自动识别法》一文中研究指出学习情绪是学习者模型的重要内容,如何识别学习者的学习情绪是下一代智能教辅系统的关键技术。困惑是最常见的学习情绪之一,及时识别并解决困惑有助于提高学习效果,然而困惑情绪内隐性较强,识别难度较大。本研究设计了一组基于在线测评的困惑诱导实验,提出了一种基于面部表情的学习困惑自动识别算法。研究人员通过设定不同难度的测试题诱导被试产生困惑情绪,同时利用摄像设备实时捕捉学习者的面部表情,提取面部重要特征点,进而利用机器学习算法进行困惑识别。在实验中,本研究使用逻辑回归、支持向量机、K近邻、决策树、随机森林和深度学习等机器学习算法建立学习困惑自动检测模型,并与被试自我报告确定的困惑标签进行对比。实验结果表明,多数分类算法能有效检测学生的学习困惑,随机森林模型的预测性能最佳,平均准确率为71.18%。本研究所提出的方法可为下一代智能教辅系统的学习者情绪建模提供技术支撑。(本文来源于《开放教育研究》期刊2018年04期）
郭振铎,路向阳,徐庆伟,高广帅[4]（2017）在《基于面部块运动历史直方图特征的视频表情自动识别》一文中研究指出为了自动识别视频中的表情类别,提出基于面部块表情特征编码的视频表情识别方法。检测并精确定位视频中人脸关键点位置,之后以检测到的关键点为中心,提取面部显着特征块;对面部各特征块提取运动历史直方图动态特征描述子,这些描述子被当作表情特征输入Adaboost分类器进行训练和识别;最终预测视频表情类型。通过在国际通用表情数据库BU-4DFE的纹理图像上进行测试,取得了83.2%的平均识别率,充分证明了所提算法的有效性。跟同领域其他主流算法相比,所提算法具有很强的竞争性。(本文来源于《计算机应用与软件》期刊2017年11期）
郭振铎,徐庆伟,刘洲峰[5]（2017）在《基于面部显着块动态信息的视频表情自动识别》一文中研究指出为自动识别视频中表情类别,提出基于面部块表情特征编码的视频表情识别方法框架。检测并精确定位视频中人脸关键点位置,以检测到的关键点为中心,提取面部显着特征块。沿着时间轴方向,对面部各特征块提取LBP-TOP(local binary pattern from three orthogonal planes)动态特征描述子,将这些描述子作为表情特征并输入Adaboost分类器进行训练和识别,预测视频表情类型。在国际通用表情数据库BU-4DFE的纹理图像上进行测试,取得了81.2%的平均识别率,验证了所提算法的有效性,与同领域其它主流算法相比,其具有很强的竞争性。(本文来源于《计算机工程与设计》期刊2017年06期）
[6]（2008）在《美开发面部表情自动识别新技术》一文中研究指出近日,美国一名计算机专家将自己的脸部变为遥控器,利用颜面表情远程控制了视频的快进和慢放,学者称之为自动化面部表情识别技术概念化的示范。人脸检测算法现已能比较准确地从一幅图像中找出一个或多个人脸所在的位置,但对人脸表情的提取和识别仍有很大的技术难度。(本文来源于《中国计算机用户》期刊2008年24期）
张梦然[7]（2008）在《美开发面部表情自动识别新技术》一文中研究指出本报讯（张梦然）近日，美国一名计算机专家将自己的脸部变为遥控器，利用颜面表情远程控制了视频的快进和慢放，学者称之为自动化面部表情识别技术概念化的示范。相关报道见于6月27日《每日科学》网站。 人脸检测算法现已能比较准确地从一幅图像中找出一个或(本文来源于《科技日报》期刊2008-07-01）
田利荣,卢官明[8]（2006）在《人脸面部表情自动识别技术的研究进展》一文中研究指出近年来,面部表情识别技术已成为模式识别领域中的一个重要的研究课题,因此表情识别的研究进展也受到了更多的关注。首先介绍了表情识别技术的背景及目前的研究进展,然后介绍了一些表情识别的主要的方法,并介绍了面部表情识别技术的难点,最后对表情识别技术进行了展望。(本文来源于《山西电子技术》期刊2006年06期）
面部表情自动识别论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
面部表情是表达情绪的主要通道,也是用于情绪识别的一种重要信号。以计算机视觉、人工智能、情感计算等新兴技术为支撑,计算机可以通过识别学习者外显的面部表情,来判断学习者内隐的情绪状态,从而获取识别、理解学习者情绪的能力。实现基于面部表情的学习者情绪识别,首先需要在对不同情绪表征方法进行对比分析的基础上,确定适用的情绪表征方法,再对基于面部表情的学习者情绪识别的适切性进行论证。作为面部表情识别流程中的核心环节,面部表情特征提取方法分为传统的计算机视觉方法和深度学习方法两大类。梳理不同特征提取算法的特点及局限性,可以为探索适合学习者面部表情识别的特征提取算法提供借鉴,并推动学习者面部表情识别研究的发展和有效应用。当前,学习者情绪面部表情识别相关研究仍存有局限性,需要从大规模的自然的学习者情绪面部表情数据库的共建共享,并融合多种特征识别学习者情绪面部表情;从结合人工设计和自动学习两种方法,提取面部表情特征等多种路径,来提升研究深度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
面部表情自动识别论文参考文献
[1].李升辉,李虹静.基于深度卷积神经网络的面部表情自动识别检测[J].科技与创新.2019
[2].陈子健,朱晓亮.基于面部表情的学习者情绪自动识别研究——适切性、现状、现存问题和提升路径[J].远程教育杂志.2019
[3].江波,李万健,李芷璇,叶韵.基于面部表情的学习困惑自动识别法[J].开放教育研究.2018
[4].郭振铎,路向阳,徐庆伟,高广帅.基于面部块运动历史直方图特征的视频表情自动识别[J].计算机应用与软件.2017
[5].郭振铎,徐庆伟,刘洲峰.基于面部显着块动态信息的视频表情自动识别[J].计算机工程与设计.2017
[6]..美开发面部表情自动识别新技术[J].中国计算机用户.2008
[7].张梦然.美开发面部表情自动识别新技术[N].科技日报.2008
[8].田利荣,卢官明.人脸面部表情自动识别技术的研究进展[J].山西电子技术.2006