| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 人类表情识别研究概况及发展趋势 | 第13-14页 |
| 1.3 本文主要工作和章节安排 | 第14-16页 |
| 第2章 人脸表情识别介绍 | 第16-24页 |
| 2.1 人脸表情识别技术的系统框架 | 第16-20页 |
| 2.1.1 人脸检测 | 第16-18页 |
| 2.1.2 人脸表情预处理 | 第18-19页 |
| 2.1.3 表情特征提取 | 第19页 |
| 2.1.4 特征降维 | 第19-20页 |
| 2.1.5 表情分类方法 | 第20页 |
| 2.2 表情识别系统的难点 | 第20-21页 |
| 2.3 常用的人脸表情数据库介绍 | 第21-23页 |
| 2.4 小结 | 第23-24页 |
| 第3章 结合FSVM与KNN表情识别方法 | 第24-30页 |
| 3.1 引言 | 第24页 |
| 3.2 FSVM和KNN | 第24-26页 |
| 3.2.1 FSVM的基本原理 | 第24-25页 |
| 3.2.2 KNN的基本原理 | 第25-26页 |
| 3.3 结合FSVM和KNN的分类器 | 第26-27页 |
| 3.3.1 区分度 | 第26-27页 |
| 3.3.2 组合FSVM和KNN的分类器的算法描述 | 第27页 |
| 3.4 实验结果与分析 | 第27-29页 |
| 3.4.1 表情特征提取 | 第27-28页 |
| 3.4.2 表情识别及结果分析 | 第28-29页 |
| 3.5 小结 | 第29-30页 |
| 第4章 基于LBP和压缩感知的人脸表情识别 | 第30-49页 |
| 4.1 引言 | 第30页 |
| 4.2 压缩感知理论 | 第30-41页 |
| 4.2.1 压缩感知理论的由来 | 第30-31页 |
| 4.2.2 压缩感知基本概念 | 第31-32页 |
| 4.2.3 信号的稀疏性 | 第32-33页 |
| 4.2.4 稀疏表示问题优化模型 | 第33-35页 |
| 4.2.5 稀疏编码模型解析 | 第35-36页 |
| 4.2.6 稀疏表示问题的优化算法 | 第36-40页 |
| 4.2.7 学习字典 | 第40页 |
| 4.2.8 解的唯一性及边界条件 | 第40-41页 |
| 4.3 基于LBP与压缩感知的人脸表情识别 | 第41-45页 |
| 4.3.1 LBP概念 | 第42页 |
| 4.3.2 LBP计算方法和特征提取 | 第42-44页 |
| 4.3.3 稀疏表示分类器(Space Representation Classification,SRC) | 第44-45页 |
| 4.4 实验结果与分析 | 第45-47页 |
| 4.4.1 算法描述 | 第45-46页 |
| 4.4.2 实验结果分析 | 第46-47页 |
| 4.5 小结 | 第47-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 附录A 在学期间研究成果及发表的学术论文 | 第57页 |