导读:本文包含了情绪面部表情识别论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:情绪,表情,面部,特征,效应,近邻,学习者。
情绪面部表情识别论文文献综述
陈子健,朱晓亮[1]（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）
王强[2]（2019）在《基于学生面部表情识别的学业情绪挖掘分析方法研究》一文中研究指出教育信息化2.0行动计划以及新一代人工智能发展规划强调了发展人工智能在教育中的创新应用。人工智能(Artificial Intelligence,AI)借助于计算机学科发展起来,并且在智慧医疗、电子商务以及智能交通等领域中取得了重要成果。本论文研究以情感叁维、人本主义、布鲁姆教育目标、ARCS动机模型等教育理论为指导,以AI技术为智能挖掘工具,使用深度学习(Deep Learning)融合情绪预测(Emotional Prediction)技术实现了基于学生面部表情识别的学业情感挖掘分析方法。该课题研究目标明确,经过严谨的实践设计,科学的数据分析,论证了该研究方法的可行性、有效性以及实用性。与传统量表调查问卷、访谈和实证等研究相比,该智能挖掘方法更科学、精准和智能化。论文针对中学课堂学习者的学业情绪预测分析和研究结论,一是对当前研究学业情绪相关的教育现象、规律或教育问题解释等奠定一定的科学基础和依据;二是能够帮助教师、教育管理者及时掌握课堂教学中学习者的学业情绪变化规律,优化调整课堂教学模式,提高课堂教学质量;叁是在提升中学教育管理科学决策中发挥积极的作用。本论文第一章绪论介绍了研究背景及意义,综述了学业情绪的研究现状,基于此提出了研究问题,并给出论文结构与研究内容;第二章理论基础与相关技术中阐述了研究中应用到的相关教育理论、运用的人工智能相关技术,本章准备是基于学生面部表情识别的学业情感挖掘分析方法创建的理论与技术基础;第叁章学业情感挖掘分析方法设计中重点描述了教育理论、人工智能技术在研究中的具体应用,包括了基础表情库的选择、数据采集与预处理方案、表情特征与学业情绪挖掘的相关性分析、构建表情识别模型以及算法实现;第四章问卷调查与访谈数据收集,通过学生问卷调查分析、学生访谈及结果分析、教师访谈及结果分析,为下面的教学实践应用和实践验证比对做好准备;第五章课堂教学实践与结果分析以初中数学课堂教学实践为例,通过课堂教学实践及教学效果分析,研究总结得出研究的结论,并充分的论证与相关性分析;在第六章研究总结与展望中总结了研究结论、给出了论文的研究价值及创新点,以及研究中存在的不足,对本研究的后续研究工作计划做了简要介绍。(本文来源于《海南师范大学》期刊2019-05-01）
陈逸[3]（2019）在《面部表情控制对情绪面孔识别的影响》一文中研究指出具身情绪观认为情绪是基于身体加工的,受到身体构造、身体活动、身体的感知觉及其经验的影响,而面部表情作为最常见的外显情绪表征,因此研究面部表情识别的影响因素,从而促进他人情绪的理解,对个体适应社会生活具有重要意义。本研究在前人有关情绪具身性研究的基础上,探讨面部表情控制对情绪面孔图片识别的影响。针对情绪面孔图片识别的情绪一致性效应、局部线索效应以及面部模仿效应,设计了实验一、实验二和实验叁。实验一和实验二的研究目的是探究具身行为下的情绪一致性效应。所采用的实验材料为中国化面孔情绪图片系统,被试为60名重庆师范大学本科生和研究生,将被试分为积极具身行为组和消极具身行为组,通过积极与消极的面部肌肉控制方式引发相对应的具身情绪,并采用识别-判断范式让被试对情绪面孔图片进行识别和判断,研究面部表情控制下个体对情绪面孔图片识别的反应时和正确率。实验叁在实验一和实验二的基础上进行,继续探讨具身情绪下对面孔图片识别的干扰因素。呈现材料来自中国化面孔情绪图片,将面孔图片分为上半部(眼部)以及下半部(嘴部),采用识别判断范式,考察具身情绪下,局部线索及面部模仿效应对情绪面孔识别的影响。结论:(1)面部肌肉控制能够有效诱发被试情绪;(2)积极具身行为状态比消极具身行为状态,识别正性面孔图片更快,识别消极面孔图片更慢;(3)消极具身行为状态比积极具身行为状态,识别消极情绪更快,识别积极情绪更慢。(4)识别正性面孔图片时,嘴部线索作用更大;识别负性图片时,眼部线索作用更大;(5)具身情绪下识别情绪面孔图片会受到面部模仿效应和局部线索的影响。(本文来源于《重庆师范大学》期刊2019-05-01）
杨硕,石欣萌[4]（2018）在《小学教师诱导情绪对学生面部表情识别的影响》一文中研究指出面部表情是重要的情感表达方式,是教师解读学生情绪和状态的重要信息来源,也是教师在工作中需要注意的内容之一。教师不仅要注意学生的情绪变化,也要学习在工作场合如何控制自己的情绪以避免给孩子带来不好的影响。研究根据诱发情绪启动效应,采用信号检测论方法,探究不同工作经验的小学教师由于自身情绪的变化,影响其对学生面部表情的识别能力。结果表明,小学教师的情绪会受到实验材料的诱导;小学教师识别学生面部表情的辨别力高低与被诱导的情绪无关;小学教师对面部表情识别的反应偏向会受到诱导情绪的影响;此外,高教学经验的小学教师对学生表情识别的反应偏向总体高于低教学经验的老师,判别标准也相对更加严格和稳定;不同诱导情绪对面部表情识别的反应偏向有不同影响,但总体都没有与普通情况下反应偏向标准有过大差异。(本文来源于《第十五届沈阳科学学术年会论文集（经管社科)》期刊2018-06-01）
王喆[5]（2018）在《基于语音和面部表情融合的情绪识别算法研究及其实现》一文中研究指出情感计算作为人工智能的重要一部分,吸引了很多学者做相关的研究,尤其是在情绪特征提取和自动情绪识别算法方面。本文对自动情绪识别进行了研究,研究内容分为叁部分:基于面部表情的情绪识别、基于语音的情绪识别和基于面部表情及语音融合的多模态情绪识别。首先是关于人脸表情的情绪识别算法研究。利用样条插值系数来表达面部器官的几何特征,并和HOG特征共同组成面部表情特征向量,然后利用高斯核支持向量机和多层感知机学习算法,得到基于面部表情的情绪分类器,并用两个常用的面部表情库CK+库和JAFFE库进行分析验证。实验结果验证了这种特征的有效性,并同时表明神经网络的隐藏层和学习率的设置会影响识别准确率,东西方人脸表情的差异和库的大小以及多样性也会影响训练的结果。另外,两种融合方式得到的结果会由于使用的分类器和使用的数据库的不同有不一样的趋势。其次是关于语音情绪识别算法研究,应用OpenSMILE这一工具进行音质、韵律学和统计学等共1582维的语音特征的提取,并训练高斯核支持向量机作为分类器,用中科院发布的CHEAVD2.0数据库进行验证。由于CHEAVD2.0是视频场景库,而且数据比较庞杂,训练得到的SVM分类器准确率不是很高。最后是语音和面部表情融合的情绪识别算法研究。在这里应用了前述的面部表情特征,并和提取的语音情绪特征混合进行特征层融合,训练高斯核支持向量机作为分类器进行情绪识别,并与决策层融合结果进行比较。算法利用CHEAVD 2.0数据库分别进行训练和实验,最后对实验结果进行了分析。(本文来源于《北方工业大学》期刊2018-05-15）
汪伟鸣,邵洁[6]（2018）在《融合面部表情和肢体动作特征的情绪识别》一文中研究指出为了从视频数据判断人的情绪,首先提取视频数据中的时空特征,并用其表征情绪特征,然后分别用典型相关分析算法和稀疏保持典型相关分析算法融合面部情绪特征和肢体动作情绪特征,最后用最近邻分类和支持向量机分类分别对情绪分类识别。实验结果表明,稀疏保持典型相关分析融合算法优于典型相关分析融合算法,能得到90.48%的情绪识别率。(本文来源于《电视技术》期刊2018年01期）
王焕焕[7]（2017）在《基于面部表情的情绪识别研究》一文中研究指出一个人的情绪状态通常会从他的动作姿态、面部表情以及语音语义上得到体现,其中面部表情是情绪表达的最有力途径,并且非接触式的面部表情识别对于实现自然、和谐的人机交互至关重要。截止到目前,大多数研究都是将重点放在如何尽可能地提高识别精度上,而忽略了算法的时间效率,表情识别的输出都是离散的类别标签,绝大多数系统和方法都没有把表情强度这一信息考虑进来。为了更好地将面部表情识别应用到现实场景当中,本文基于表情视频序列展开研究。本文将一种用于行为识别的时空局部描述子HOG3D应用到基于视频序列的动态表情识别中。虽然HOG3D特征提取到了丰富的动态表情信息,但是特征维度也高达数千维,为了解决特征维度过高的问题本文提出了一种新的特征选择方法PCA-Relief F进行特征降维,该特征选择算法不仅有效降低了特征维度,而且根据特征区分能力的大小,选出了更有区分能力的特征,该算法高效地实现了基于离线视频序列的表情识别。为了最终实现对表情视频序列的实时精细化识别,本文基于视频序列中的单帧表情图像进行识别,在预处理阶段,采用Viola-Jones检测算法检测初始帧,并引入基于时空上下文的目标追踪算法用于人眼追踪,实现了视频图像序列的实时预处理。对于单帧图像的特征提取,从特征的识别效果以及实时性的角度考虑,本文最终选择了HOG特征描述子。考虑到不同面部区域所携带的表情信息以及它们分类贡献的不同,采用一种子块自适应加权算法对不同面部区域的表情特征进行了加权融合,实验结果表明,自适应加权后的识别精度较未加权之前有所提高,最终达到了95.71%的识别率。并且该算法的处理速度为26.8ms/f。在此基础上为了实现精细化的表情识别,本文基于支持向量机提出了SVM概率模型,该模型不仅能够输出离散的类别标签,而且能够输出相应类别的隶属度。SVM概率模型中表示每一个待测样本与超平面之间的距离的变量刚好能够表征情绪强度的变化,不仅能够分析单一情绪的表情强度,而且能够区分同类表情下的强弱变化。(本文来源于《哈尔滨工业大学》期刊2017-12-01）
金爽[8]（2017）在《不同效价的情绪背景对面部表情识别的影响研究》一文中研究指出面部表情作为情绪的外部表现形式之一,为正确理解他人心理活动提供了重要的细节特征因素,因此正确识别面部表情对于个体的社会性发展意义重大。影响面部表情识别的因素除了性别、年龄等人口学变量之外,还包括外部情绪背景对个体的启动诱发原因。本研究从情绪背景的影响角度出发,探究不同效价下的不同情绪背景类型对于面部表情识别的影响。实证研究选取正、负性效价的情绪词汇、温度词汇和被诱发情绪状态的视频作为情绪背景材料,选取中国面部情绪图库中正、负和中性面孔图片作为被试识别的任务材料,选取大学生和研究生作为被试,设计叁个实验来探究不同效价的情绪背景对面部表情识别的影响。结果表明:(1)在正性或者负性情绪词汇启动下,被试对于不同效价面孔表情的反应时具有显着差异(正性面孔反应时<中性面孔反应时<负性面孔反应时);(2)在分别识别正性、负性和中性面孔时,被试在积极情绪词启动下的反应时显着快于在消极情绪词启动下识别面孔表情的反应时。(3)在温暖词汇或寒冷词汇的启动下,被试对于不同效价面孔表情的反应时具有显着差异(正性面孔反应时<中性面孔反应时<负性面孔反应时);(4)在识别正性面孔时,被试在温暖词汇启动下的反应时显着快于在寒冷词汇启动下识别面孔表情的反应时;在识别中性面孔时,被试在寒冷词汇启动下的反应时显着快于在温暖词汇启动下识别面孔表情的反应时;在识别负性面孔上时,不同效价的温度词汇对识别面部表情的差异不显着。(5)在正性情绪状态下,被试对于不同效价面孔表情的反应时具有显着差异(正性面孔反应时<负性面孔反应时<中性面孔反应时);在负性情绪状态下,被试对于不同效价面孔表情的反应时具有显着差异(正性面孔反应时<中性面孔反应时<负性面孔反应时)。(6)针对同一效价面孔表情而言,不同效价的情绪状态对于面孔表情的识别影响差异不显着。(本文来源于《云南师范大学》期刊2017-05-25）
肖瑞琪[9]（2017）在《极端情绪下面部表情与身体姿势对表情识别的影响》一文中研究指出情绪识别(emotion perception/recognition)是指通过观察面部表情、语音语调、肢体动作等方面的变化,对个体的情绪进行推测和判断的过程。前人探索情绪识别过程,之前的大多数证据表明面部表情是情绪信息的主要载体,人们通过面部表情推断他人所处的情绪状态。而最近越来越多的研究发现,当面部表情和身体姿势同时呈现的时候,身体姿势对整体情绪愉悦度的影响远远超出人们的想象,它会起到决定性的作用。特别是在极端情绪状态下,身体姿势的重要作用更加凸显。本文认为大多数研究虽然证明了身体的决定性作用,但是并未能有效的证明身体的影响机制。本研究采用眼动设备记录被试进行情绪识别的过程中的眼动轨迹并加以分析,试图探讨身体姿势对整体愉悦度的影响机制。同时本研究还将情绪唤起度维度纳入考量范围中,探索在整体唤起度判断过程中的情绪信息来源。实验一使用了情绪识别任务,发现对于中等强度情绪而言被试通过单独的面孔和身体判断情绪的愉悦度,而对于极端情绪而言,身体同样可以判断情绪愉悦度,而面孔无法被准确判断;实验二采用了相同的情绪识别任务,要求被试对情绪唤起度进行判断,发现不论中等强度还是极端强度的情绪,其面部表情和身体姿势均能够提供唤起度信息;实验叁使用了面部身体组合的情绪识别任务,通过使用图片编辑软件将不同愉悦度图片中的面孔和身体分别进行组合,形成面部表情和身体姿势愉悦度一致的组合以及面部表情和身体姿势不一致的组合,通过被试对各种图片的情绪愉悦度判断,以及判断过程中的眼动结果统计,结果发现中等强度的情绪状态下,面部表情对整体的愉悦度判断产生决定性的影响,眼动的模式也随着面部表情的愉悦度变化而产生系统的改变,而在高强度的情绪状态下,身体姿势会对整体愉悦度判断产生决定性的影响,对应的眼动模式不在随着面部表情的愉悦度变化而变化,相反,眼动模式随着身体姿势的改变而产生了系统的变化,说明在中等强度状态下面孔对整体愉悦度判断结果产生了决定性作用,而在高强度状态下身体姿势对整体愉悦度判断结果起到决定性作用;实验四使用了面部身体组合的情绪识别任务,通过使用图片编辑软件将不同唤起度的图片中的面部表情和身体姿势分别进行组合,从而形成面部表情和身体姿势唤起度一致和不一致的组合,通过被试对各种图片的情绪唤起度判断以及判断过程中的眼动结果,发现不论在中等强度还是极端强度的情绪中,面部表情均对情绪唤起度产生决定性影响。(本文来源于《华东师范大学》期刊2017-03-22）
陈琦[10]（2016）在《负性情绪、情绪调节策略对大学生面部表情识别的影响研究》一文中研究指出负性情绪指的是消极的情绪体验。经常处在负性情绪的状态之中往往会导致个体无心学习、工作,还可能会影响人的正常交往。表情是我们理解他人情绪的最主要的信号,对他人表情是否正确识别是我们能否正确判断他人情绪的关键,而能否正确判断他人情绪并作出恰当的反应在人际交往中至关重要。我们自身的消极情绪是否会影响我们正确识别判断他人的表情,我们对自身消极情绪的调节是否又可以使这一影响发生变化,本文以此为切入点,对相关问题进行了较为深入的探讨。本研究以负性情绪作为主要研究对象,采用实验的方法探察负性情绪以及对负性情绪的调节分别对人们面部表情识别产生了怎样的影响。实验一采取了2(情绪状态:负性、中性)×3(识别表情:快乐、悲伤、平静)两因素混合实验设计,探讨中性和负性情绪状态下被试对于面部表情识别的差异。实验二以实验一为基础,在都是负性情绪的诱发的状态下进行3(调节策略:表达抑制、认知重评、无调节)×3(识别表情:快乐、悲伤、平静)的两因素混合实验设计,测查不同的情绪调节策略对于被试面部表情识别的影响。结果发现:(1)被试普遍对于高兴表情识别能力最强,对悲伤表情最难以识别。(2)负性情绪对面部表情识别影响显着,相对于中性情绪组,负性情绪组的被试对表情识别总体反应时变长,且更容易识别他人的悲伤表情,同时对高兴表情和平静表情的识别有一定抑制作用。(3)不同的情绪调节策略对于被试表情识别有影响,在叁种表情总体识别速度和正确度上,认知重评组好于表达抑制组和无调节组。(4)认知重评能减弱被试对与诱发情绪不一致的表情的抑制作用,表达抑制没有这样的效果。(本文来源于《河北师范大学》期刊2016-05-16）
情绪面部表情识别论文开题报告
（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：
教育信息化2.0行动计划以及新一代人工智能发展规划强调了发展人工智能在教育中的创新应用。人工智能(Artificial Intelligence,AI)借助于计算机学科发展起来,并且在智慧医疗、电子商务以及智能交通等领域中取得了重要成果。本论文研究以情感叁维、人本主义、布鲁姆教育目标、ARCS动机模型等教育理论为指导,以AI技术为智能挖掘工具,使用深度学习(Deep Learning)融合情绪预测(Emotional Prediction)技术实现了基于学生面部表情识别的学业情感挖掘分析方法。该课题研究目标明确,经过严谨的实践设计,科学的数据分析,论证了该研究方法的可行性、有效性以及实用性。与传统量表调查问卷、访谈和实证等研究相比,该智能挖掘方法更科学、精准和智能化。论文针对中学课堂学习者的学业情绪预测分析和研究结论,一是对当前研究学业情绪相关的教育现象、规律或教育问题解释等奠定一定的科学基础和依据;二是能够帮助教师、教育管理者及时掌握课堂教学中学习者的学业情绪变化规律,优化调整课堂教学模式,提高课堂教学质量;叁是在提升中学教育管理科学决策中发挥积极的作用。本论文第一章绪论介绍了研究背景及意义,综述了学业情绪的研究现状,基于此提出了研究问题,并给出论文结构与研究内容;第二章理论基础与相关技术中阐述了研究中应用到的相关教育理论、运用的人工智能相关技术,本章准备是基于学生面部表情识别的学业情感挖掘分析方法创建的理论与技术基础;第叁章学业情感挖掘分析方法设计中重点描述了教育理论、人工智能技术在研究中的具体应用,包括了基础表情库的选择、数据采集与预处理方案、表情特征与学业情绪挖掘的相关性分析、构建表情识别模型以及算法实现;第四章问卷调查与访谈数据收集,通过学生问卷调查分析、学生访谈及结果分析、教师访谈及结果分析,为下面的教学实践应用和实践验证比对做好准备;第五章课堂教学实践与结果分析以初中数学课堂教学实践为例,通过课堂教学实践及教学效果分析,研究总结得出研究的结论,并充分的论证与相关性分析;在第六章研究总结与展望中总结了研究结论、给出了论文的研究价值及创新点,以及研究中存在的不足,对本研究的后续研究工作计划做了简要介绍。
（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。
情绪面部表情识别论文参考文献
[1].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
[2].王强.基于学生面部表情识别的学业情绪挖掘分析方法研究[D].海南师范大学.2019
[3].陈逸.面部表情控制对情绪面孔识别的影响[D].重庆师范大学.2019
[4].杨硕,石欣萌.小学教师诱导情绪对学生面部表情识别的影响[C].第十五届沈阳科学学术年会论文集（经管社科).2018
[5].王喆.基于语音和面部表情融合的情绪识别算法研究及其实现[D].北方工业大学.2018
[6].汪伟鸣,邵洁.融合面部表情和肢体动作特征的情绪识别[J].电视技术.2018
[7].王焕焕.基于面部表情的情绪识别研究[D].哈尔滨工业大学.2017
[8].金爽.不同效价的情绪背景对面部表情识别的影响研究[D].云南师范大学.2017
[9].肖瑞琪.极端情绪下面部表情与身体姿势对表情识别的影响[D].华东师范大学.2017
[10].陈琦.负性情绪、情绪调节策略对大学生面部表情识别的影响研究[D].河北师范大学.2016
论文知识图
