ICA算法在人脸表情识别中的应用研究
| 摘要 | 第1-5页 |
| Abstract | 第5-6页 |
| 目录 | 第6-8页 |
| 1 绪论 | 第8-12页 |
| ·独立分量分析及研究现状简介 | 第8-10页 |
| ·人脸表情识别及研究现状简介 | 第10页 |
| ·本文的主要内容 | 第10-12页 |
| 2 独立分量分析的理论和算法 | 第12-24页 |
| ·随机变量的独立性的概念 | 第12-13页 |
| ·独立分量分析估计原理 | 第13-19页 |
| ·非高斯性 | 第13-14页 |
| ·峭度 | 第14-15页 |
| ·负熵 | 第15-18页 |
| ·互信息 | 第18-19页 |
| ·最大似然估计法 | 第19页 |
| ·独立分量分析的预处理 | 第19-20页 |
| ·中心化 | 第19页 |
| ·白化 | 第19-20页 |
| ·降维 | 第20页 |
| ·独立分量分析基本算法 | 第20-23页 |
| ·本章小结 | 第23-24页 |
| 3 FastICA算法理论及其改进 | 第24-35页 |
| ·FastICA算法的预处理 | 第24-25页 |
| ·FastICA算法原理 | 第25-26页 |
| ·FastICA算法的步骤 | 第26-27页 |
| ·FastICA算法计算复杂度分析 | 第27-28页 |
| ·FastICA算法的改进 | 第28-30页 |
| ·实验 | 第30-31页 |
| ·实验结果分析 | 第31-33页 |
| ·本章结论 | 第33-35页 |
| 4 人脸表情识别研究 | 第35-45页 |
| ·表情种类与特点 | 第35-36页 |
| ·人脸表情识别的理论基础 | 第36-41页 |
| ·贝叶斯决策理论 | 第37-38页 |
| ·线性判别理论 | 第38-39页 |
| ·基于K-L展开的特征提取 | 第39-40页 |
| ·近邻法 | 第40-41页 |
| ·人脸表情识别算法简介 | 第41-44页 |
| ·加权主元分析算法(WPCA) | 第41-42页 |
| ·二维主元分析算法(2DPCA) | 第42-43页 |
| ·局部保留投影算法(Lpp) | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 5 基于改进的FastICA的人脸表情识别 | 第45-53页 |
| ·人脸数据独立分量表示 | 第45-48页 |
| ·人脸数据的预处理 | 第48页 |
| ·使用ICA算法进行人脸表情数据的特征提取 | 第48-50页 |
| ·分类器的选择(SVM分类器) | 第50页 |
| ·实验结果及分析 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 结论 | 第53-54页 |
| 参考文献 | 第54-57页 |
| 攻读硕士学位期间发表学术论文情况 | 第57-58页 |
| 致谢 | 第58-59页 |
