| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1. 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10页 |
| 1.2 人脸表情识别研究概述 | 第10-17页 |
| 1.2.1 人脸表情识别的研究发展 | 第10-12页 |
| 1.2.2 人脸表情识别过程 | 第12-16页 |
| 1.2.3 常用人脸表情数据库 | 第16-17页 |
| 1.3 本文研究内容及结构安排 | 第17-18页 |
| 2. 基于压缩感知的人脸表情特征提取 | 第18-33页 |
| 2.1 压缩感知理论简介 | 第18-28页 |
| 2.1.1 压缩感知理论框架 | 第19-21页 |
| 2.1.2 信号的稀疏表示 | 第21-23页 |
| 2.1.3 测量矩阵 | 第23-25页 |
| 2.1.4 信号重构 | 第25-28页 |
| 2.2 基于压缩感知的人脸表情特征提取 | 第28-32页 |
| 2.2.1 随机测量矩阵的选取 | 第28-29页 |
| 2.2.2 人脸表情特征提取算法 | 第29-31页 |
| 2.2.3 人脸表情特征提取过程 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3. 支持向量机分类方法 | 第33-49页 |
| 3.1 支持向量机理论简介 | 第33-43页 |
| 3.1.1 支持向量机统计学习理论基础 | 第33-36页 |
| 3.1.2 支持向量机分类原理 | 第36-41页 |
| 3.1.3 支持向量机核函数 | 第41-43页 |
| 3.2 支持向量机多分类 | 第43-48页 |
| 3.2.1 一对多方法 | 第44-45页 |
| 3.2.2 一对一方法 | 第45-46页 |
| 3.2.3 一次求解方法 | 第46-47页 |
| 3.2.4 决策有向无环图 | 第47-48页 |
| 3.3 本章小结 | 第48-49页 |
| 4. 基于压缩感知和支持向量机的人脸表情识别及效果分析 | 第49-62页 |
| 4.1 人脸表情识别样本数据和方法 | 第49-53页 |
| 4.1.1 样本数据的构建 | 第49-50页 |
| 4.1.2 压缩感知特征提取过程 | 第50-52页 |
| 4.1.3 特征向量数据处理 | 第52页 |
| 4.1.4 支持向量机分类函数 | 第52-53页 |
| 4.2 人脸表情识别实验 | 第53-61页 |
| 4.2.1 特征值数量对人脸表情分类准确率的影响 | 第53-55页 |
| 4.2.2 参数优化对人脸表情分类准确率的影响 | 第55-57页 |
| 4.2.3 核函数对人脸表情分类准确率的影响 | 第57-59页 |
| 4.2.4 两分类和四分类支持向量机分类准确率对比 | 第59-60页 |
| 4.2.5 本实验方法与基于 Gabor 和 SVM 的人脸表情识别对比 | 第60-61页 |
| 4.3 本章小结 | 第61-62页 |
| 5. 总结与展望 | 第62-64页 |
| 5.1 本论文工作总结 | 第62-63页 |
| 5.2 工作展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历 | 第69页 |
| 发表的学生论文 | 第69-70页 |
