document.write('
')

当前位置:   金科网 > 嘿科技 > 正文

基于人脸识别和语音识别的教学系统方法与技术研究

【摘要】:近年来随着信息技术和计算机技术的飞速发展,对于实验室教学系统的安全性与智能性提出了更高的要求。由于现有的实验室系统在登录的方式上过于传统,并没有充分利用人脸等生物特征,而且缺乏语音识别交互命令功能,在教学演示的智能性上有待提高。所以,针对这一研究现状,研究了基于人脸识别与语音识别的教学系统,重点在人脸识别登录以及语音识别交互方面进行了改善与题号。相较于传统的实验室教学系统,基于人脸识别和语音识别的教学系统的功能更加全面,设计更加合理且智能,效率更高,可以充分提高实验室教学系统的登录安全性与教学演示的灵活性。首先,针对实验室教学系统的实际需求,探索人脸识别与语音识别的研究背景以及对于实验室教学系统的研究意义,分析国内外人脸识别与语音识别的研究现状,并对人脸识别与语音识别所存在的问题进行总结与分析,进而制定基于人脸识别和语音识别的教学系统的相关研究内容,并确定系统所需的相关技术。其次,设计了融合主成分分析技术的人脸识别模块。分析传统的人脸识别步骤,总结出已有人脸是方法的不足,基于Haar特征,利用Adaboost完成人脸检测,基于Landmarks方法,构造回归树完成人脸对齐,融合主成分分析,对人脸图像进行重构,实现对人脸图像的降维,最后对人脸进行匹配,实现人脸识别任务。再次,设计教学系统中的语音识别模块。对麦克风输入的语音信号进行数字化、预加重、号加窗分帧以及端点检测等语音信号预处理操作,基于梅尔频率倒谱系数对预处理后的语音信号提取相应的语音识别特征,基于HMM-PNN混合模型实现语音识别中声学模型的构建,基于N元统计理论对语音模型进行构建,基于Viterbi算法建立语音识别技术中的解码器,从而完成整个的语音识别任务。最后,对所提出的人脸识别以及语音识别相关方法进行实验验证。通过GT数据库中的数据进行相应的人脸识别实验验证,对人脸识别的准确率和时间消耗进行估算,并通过与已有人脸识别方法的比较,来分析所提人脸识别方法的实验情况。在语音识别方面,将所提语音识别系统模型与已有语音识别系统模型在识别率上进行比较,并对语音识别系统模型的抗噪性能进行分析。