| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题研究的背景与意义 | 第10页 |
| ·人脸运动单元识别涉及的研究领域及应用 | 第10-12页 |
| ·论文的研究内容及主要工作 | 第12-13页 |
| ·论文的结构概要 | 第13-14页 |
| 第二章 上半人脸运动单元状态识别技术的研究与进展 | 第14-25页 |
| ·概述 | 第14-15页 |
| ·面部运动编码系统介绍 | 第15-16页 |
| ·上半人脸运动单元状态识别系统总体结构分析 | 第16-19页 |
| ·上半人脸运动单元状态识别若干算法 | 第19-24页 |
| ·小波变换 | 第19-20页 |
| ·独立分量分析(ICA) | 第20-21页 |
| ·矩的方法 | 第21-23页 |
| ·光流模型 | 第23-24页 |
| ·上半人脸运动单元状态识别方法的比较和总结 | 第24页 |
| ·小结与启示 | 第24-25页 |
| 第三章 上半人脸运动单元图像的预处理 | 第25-35页 |
| ·概述 | 第25页 |
| ·人脸区域的自动检测 | 第25-26页 |
| ·人脸图像的尺寸归一 | 第26-27页 |
| ·人脸图像的灰度归一 | 第27-29页 |
| ·上半人脸运动单元子区域的定位与分割 | 第29-34页 |
| ·眼睛与眉毛区域粗定位 | 第29-30页 |
| ·瞳孔位置的精确定位 | 第30-31页 |
| ·基于Harris角点检测的眼角点定位 | 第31-33页 |
| ·眼睛和眉毛运动单元子区域的定位与分割 | 第33-34页 |
| ·小结 | 第34-35页 |
| 第四章 基于KPCA的上半人脸运动单元特征提取算法 | 第35-45页 |
| ·概述 | 第35页 |
| ·PCA与KPCA算法 | 第35-40页 |
| ·PCA算法 | 第35-38页 |
| ·KPCA算法 | 第38-40页 |
| ·基于KPCA的上半人脸运动单元特征提取 | 第40-41页 |
| ·实验结果与分析 | 第41-43页 |
| ·小结 | 第43-45页 |
| 第五章 基于SVM的上半人脸运动单元状态的分类识别 | 第45-60页 |
| ·概述 | 第45页 |
| ·统计学习理论 | 第45-49页 |
| ·VC维 | 第46页 |
| ·机器学习模型 | 第46页 |
| ·经验风险最小化原则 | 第46-47页 |
| ·学习机器推广能力的界 | 第47页 |
| ·结构风险最小化原则 | 第47-48页 |
| ·学习机器的实现方法 | 第48-49页 |
| ·SVM算法 | 第49-54页 |
| ·线性核函数的支持向量机 | 第49-52页 |
| (一) 数据线性可分情况 | 第49-51页 |
| (二) 数据线性不可分情况 | 第51-52页 |
| (三) 阈值b的计算 | 第52页 |
| ·非线性核函数的支持向量机 | 第52-54页 |
| ·基于SVM的上半人脸运动单元状态的分类识别 | 第54-55页 |
| ·核函数设计与参数选择 | 第55-57页 |
| ·实验结果分析与比较 | 第57-59页 |
| ·小结 | 第59-60页 |
| 第六章 上半人脸运动单元状态识别子系统的设计与实现 | 第60-69页 |
| ·概述 | 第60页 |
| ·原型系统的主要框架 | 第60-61页 |
| ·用例分析 | 第60-61页 |
| ·用例描述 | 第61页 |
| ·核心类的设计与实现 | 第61-66页 |
| ·图像处理基本类的设计 | 第61-63页 |
| ·图像矩阵类的设计 | 第63-64页 |
| ·特征提取类的设计 | 第64-65页 |
| ·支持向量机类的设计 | 第65-66页 |
| ·原型系统实现 | 第66-68页 |
| ·小结 | 第68-69页 |
| 第七章 结束语 | 第69-71页 |
| ·本文主要研究工作总结 | 第69-70页 |
| ·下一步工作展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 致谢 | 第74-75页 |
| 发表文章 | 第75页 |
