学海网

毕业设计-基于E-learning的人脸检测及定位，共32页，14315字，附程序、开题报告等
主要内容
基于Adaboost的检测算法
2001年，Paul Viola利用Adaboost算法构建了第一个人脸识别系统，第一次
将Adaboost算法引入到了检测人脸和非人脸的分类应用中来，并取得了成功，
使得Adaboost算法成为人脸检测领域内主流的算法，其主要是通过分类能力一
般的弱分类组合，最终得到强分类器，并将这样的一系列强分类器级联在一起
，最终达到人脸检测的目的。通常都采用二级级联的方法来进行人脸检测。理
论认为当简单分类器的个数趋向与无穷时，强分类器便可达到0的错误率。该算
法对于单人脸正面图像的检测率较高，但是当训练样本集中包含较多负面样本
时，该算法变产生退化现象。而且特征数目庞大时，训练时间也随之延长，当
样本数目过少时又会出现过训练情况。因此该算法的重点是样本数目的选择和
弱分类器数量的选择。并且对人脸图像也有一定的要求。
 基于LBP的检测算法
在人脸识别领域，近年来基于LBP特征(算子)的人脸识别方法受到众多研究
工作者的关注，并取得了较好的识别效果。Timo Ahonen等指出LBP作为一种纹
理特征能够很好地描述不同人的人脸，并对如何将LBP特征应用于人脸识别作
了详细说明。LBP特征一般定义为在大小为3x3的窗口，以窗口中心点的灰度值
为阈值对窗口内其它像素作二值化处理，然后根据像素的不同位置进行加权求
和得到该窗口的LBP值。得益于二值化从而使得LBP天生就对光照具有较好的鲁
棒性。
在用于人脸识别时，先将输入的人脸图像进行区域划分，然后计算每个区
域内的所有LBP特征，根据其模式形成对应的直方图，再将每个区域的LBP特征
模式直方图拼接成一个向量，最后用带权重的Chi-square距离作为人脸相似性的。。。。。。。

摘要
E-learning是一种新型的创新教育模式，在科技不断发展的今天受到了越来越多的关注。但传统的E-learning系统在情感交流方面存在缺陷，情感缺失使E-learning的教学效果大打折扣。
本论文主要针对E-learning情境，从学习者的学习图像中检测人脸图像，为系统后续学习表情特征提取和学习情绪分析提供必要的研究基础。论文研究的基本环境为：通过安装在学习者所用计算机上的摄像头，系统可以实时捕捉到学习者面部图像，进而从中检测和定位学习者的人脸。
人脸检测一直是计算机视觉和模式识别领域的热门话题，近些年来得到了学者的普遍重视，也在众多领域得到了广泛应用。典型的人脸检测技术包括弱特征、AdaBoost学习算法以及级联分类器等。
本论文所做的主要工作如下：
提取MB-LBP特征，并将其运用于AdaBoost分类器训练，用训练得出的分类器进行人脸检测。实验表明，基于MB-LBP的特征的AdaBoost算法能得出比较满意的检测结果，并显著缩短训练时间。
采用Visual studio 2008，并调用OpenCV库，开发了一个针对E-learning的人脸检测系统。通过实验，证明该系统可以达到很好的人脸检测效果，为后续的表情特征提取奠定了基础。
关键词：E-learning技术 ； 人脸检测；LBP算法， Adaboost算法

目录
摘要 2
Abstract 3
目录 4
第1章 绪论 6
1.1 研究背景 6
1.2 国内外现状 7
1.3 本文研究内容及论文结构 9
第2章 人脸检测的技术基础 11
2.1 人脸检测算法 11
2.2 本章小结 14
第3章 E-learning中人脸检测算法的研究与分类器的训练 15
3.1 E-learning教学情绪分析 15
3.2 LBP特征的引入 15
3.3 AdaBoost人脸检测算法算法 20
3.4 弱分类器的训练 23
3.5 训练样本的选择 24
3.6 本章小结 24
第4章 系统的结构与实现 25
4.1 系统的整体框架 25
4.2 系统的开发与应用平台 25
4.3 系统的运行效果 26
4.4 实验数据 27
4.5 本章小结 27
第5章 总结与展望 28
5.1 论文的总结 28
5.2 未来工作展望 29
参考文献 30
致谢 32

本文研究内容及论文结构
本文研究内容
本文研究内容主要是情感认知交互系统中学习者的人脸检测与定位，为小组其他表情特征提取与建模提供重要的数据支撑。整个E-learning系统的工作过程如图1-1所示：
学习者人脸图像 人脸图像
教学策略调整
图1 E-learning教学系统的工作过程图
本文的主要工作如下：
1）结合E-learning对人脸检测功能的特殊要求，本文着重对局部二值模式算法和AdaBoost算法的结合进行了研究。通过实验数据验证，本文选择了一种基于MB-LBP特征的AdaBoost算法应用于人脸检测，把Haar特征更换为分辨能力更强的MB-LBP特征使LBP特征和AdaBoost算法都能够达到扬长避短的效果，既提高了检测率也降低了误检率。该实验结果证明，此种人脸检测算法较适合于E-learning对人脸检测的特定要求。
2）以上理论算法研究均采用Visual studio 2008与OpenCV技术，开发了人脸检测系统。该系统能够满足E-learning对于学习者人脸检测的要求。为后续的表情特征提取以及情绪建模提供必要的数据支持。更深层的研究工作需要考虑更多各种不同层次的学习者在网络教学情景中的学习状态，心理波动及表情特征对于程序的影响，以及使程序可以在后台执行并且不影响学习者学习的过程的前提下，对教学策略进行调整。
论文结构
绪论。介绍了课题背景及国内外发展现状，简述了人脸检测的主要内容和实现过程，以及本项目用到的人脸检测的理论基础。介绍本系统所提取的信息及作用。
人脸检测综述。详细介绍了当今常用的几种人脸检测的方法
E-learning中人脸检测算法的研究与分类器的训练。该部分为本论文重点，介绍了本项目用到的改进的AdaBoost算法与其理论基础。并将LBP特征的引入。本章介绍了本文的创新点，基于局部二值模式的人脸检测和多元局部二值模式相结合的人脸检测算法。
系统的结构与实现。介绍了人脸检测和表情特征提取的设计和实现过程，介绍了系统的整体架构和运行系统所需要的软硬件环境。
总结和展望。对本文研究工作的总结和对更深层次的研究工作的展望。