面向个别化指导的深度可分离卷积课堂微表情识别研究*

古沐松 高朝邦 汪海鹰 李立 游磊

(成都大学计算机学院,四川成都 610106)

在课堂教学实际过程中,学生在课堂中的面部表情,直接反映了该生在上课时的投入程度和学习状态。通过对学生课堂微表情的识别和判断,对学生的学习结果会有直接和间接的影响。但由于课堂上学生众多,教师很难同时关注所有学生的学习状态,并给出及时的指导和反馈[1]。因此,利用最新的基于深度神经网络的微表情识别算法在课堂上辅助教师实时感知学生的学习状态,并给予针对性的提示和指导会对提升学生学习效果起到重要的作用[2]。通过将人工智能技术与课堂教学深度融合,获取学生的微表情数据,更好地实时进行监测和评价,将大大提高课堂的整体学习效果。

1 面向个别化指导的课堂微表情识别中存在的问题

针对课堂教学中的微表情识别,通常由数据预处理,微表情图像特征提取以及微表情分类三部分组成。其中最核心的是微表情图像特征提取,表情特征主要有几何特征和纹理特征。Li等在文献[3]提取面部特征点和特征点之间的角度作为面部表情特征进行识别。但面部特征点定位的准确度易受到光照、姿态等因素的影响,从而直接影响几何特征的稳健性。此后卷积神经网络成为微表情识别的主要算法,刘汝涵等通过视频放大的方法,结合深度学习算法在微表情识别上进行应用,获得了良好的可视化效果[4]。宋剑桥等提出一种面向时空神经网络的潜在情绪识别方法,使用KPCA降维,减少了冗余特征,结果表明提取的深度特征能明显增加表情识别能力[5],但仍存在特征维度高,计算量大,部分区分度小的微表情识别率较低等问题。……