發(fā)布時間：2024-04-28 02:40

　　如何讓學生保持高效率的學習狀態(tài)一直都是各領域尤其是教育界的研究熱點,為了確保課堂上學生的學習效率,盡可能早的發(fā)現(xiàn)學生在課堂進入疲勞狀態(tài)并及時提醒學生就顯得尤為重要。隨著教育體系、教育設備的不斷完善和優(yōu)化,將疲勞檢測的方法引入學生的課堂已是必然趨勢,學生疲勞檢測理論與方法的研究在學術領域和實際應用上都具有重要的研究價值和實際意義。為了克服目前主流檢測方法特征檢測率較低、對疲勞判斷的指標單一等問題,本文結合深度學習當中的卷積神經(jīng)網(wǎng)絡訓練出網(wǎng)絡模型,提高了對臉部特征檢測的準確率,并且在目前PERCLOS疲勞判斷的基礎上引入新的變量,將嘴部的張合狀態(tài)是否過大作為判斷疲勞的另一指標。通過在課堂上對學生的眼部、嘴部等區(qū)域進行采樣與分析,結合更新后的疲勞判斷指標與方法進而給出疲勞與否的判斷。從實驗結果來看,證明了網(wǎng)絡模型的必要性、引入新的評價指標的有效性以及本文的應用價值。本文所完成的主要工作內容如下:(1)實現(xiàn)了基于深度學習中卷積神經(jīng)網(wǎng)絡的人臉檢測與身份識別的功能,完成了數(shù)據(jù)庫的構建。但在實際教學課堂當中會學生會出現(xiàn)大量肢體動作遮擋臉部區(qū)域,因此,采用三個方向對學生進行人臉視頻流的獲取,選擇三個視...

【文章頁數(shù)】：66 頁

【學位級別】：碩士

【部分圖文】：

圖1.1體系結構圖

重慶師范大學碩士學位論文1緒論損失。江小涓、張文生等教授提出稀疏堆疊編碼器，其本質是在堆疊編碼器的損失函數(shù)項的結構上引入稀疏懲罰值的深度學習網(wǎng)絡，但梯度稀釋的問題沒有得到解決。牛津大學提出的VGG深度學習模型[9]目前已被廣泛應用。不僅如此，F(xiàn)acebook的人臉檢測的系....

圖2.1最大下采樣與平均下采樣3全連接層

圖2.1最大下采樣與平均下采樣3全連接層通常情況下，卷積神經(jīng)網(wǎng)絡的輸出層對應分類器，其全連接層的本質是對一層所得到的輸出信息進行高度概括，連接所有特征后將輸出值傳遞給后一層分類器[30]。所進行的操作仍是卷積操作，卷積操作后的結果為一個節(jié)點，然后特征組合起來進行分類計算，得....

圖2.2梯度下降算法

使損失函數(shù)朝著梯度改變最快的方向進行更新[32]，盡量在實驗中減少陷入局部最優(yōu)的可能。如圖2.2所示。圖2.2梯度下降算法定義整個代價損失函數(shù)，再定義參與一組訓練的數(shù)據(jù)量，若批次為1，則為隨機梯度下降；若需要的是批梯度下降，則一批次數(shù)據(jù)量為進行訓練時的每批的樣本數(shù)據(jù)選取量....

圖3.1身份識別功能流程圖

測與身份識別的功能。主要包括圖像數(shù)據(jù)獲取與處理、環(huán)境及結果分析為后續(xù)對學生進行疲勞狀態(tài)的研究與分份識別功能設計流程與身份識別功能的設計從整體而言，可分為五個步驟：通過攝像頭獲取相關的人臉視頻流，將視頻流轉化成幀地的圖像數(shù)據(jù)庫。利用分類器檢測出本地圖像庫中每張幀圖像人臉區(qū)域的取，補....

本文編號：3966052