| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 人脸表情识别过程 | 第11-14页 |
| 1.3.1 表情图像获取 | 第11-12页 |
| 1.3.2 表情图像预处理 | 第12-13页 |
| 1.3.3 表情图像特征提取 | 第13-14页 |
| 1.3.4 表情分类 | 第14页 |
| 1.4 本文研究的目的、存在的困难及主要研究内容 | 第14-16页 |
| 1.4.1 研究目的 | 第14-15页 |
| 1.4.2 存在的困难 | 第15页 |
| 1.4.3 研究内容 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 2 人脸表情图像预处理 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 人脸定位 | 第17-20页 |
| 2.2.1 表情图像二值化 | 第17-19页 |
| 2.2.2 表情图像积分投影 | 第19-20页 |
| 2.3 灰度归一化 | 第20-22页 |
| 2.4 几何归一化 | 第22-24页 |
| 2.5 表情图像预处理结果 | 第24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 人脸表情图像特征提取 | 第25-38页 |
| 3.1 引言 | 第25页 |
| 3.2 表情图像特征提取方法概述 | 第25-27页 |
| 3.3 Gabor小波特征提取 | 第27-34页 |
| 3.3.1 小波变换 | 第27-28页 |
| 3.3.2 Gabor小波变换 | 第28-31页 |
| 3.3.3 二维Gabor小波变换及参数选择 | 第31-32页 |
| 3.3.4 人脸图像的Gabor特征 | 第32-34页 |
| 3.4 主成分分析法 | 第34-36页 |
| 3.5 结合二维Gabor小波和PCA的表情图像特征提取 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 4 极限学习机在人脸表情分类中的应用 | 第38-48页 |
| 4.1 引言 | 第38页 |
| 4.2 表情分类 | 第38-41页 |
| 4.2.1 人脸表情数据库 | 第38-39页 |
| 4.2.2 人脸表情分类方法 | 第39-41页 |
| 4.3 ELM算法研究 | 第41-46页 |
| 4.3.1 单隐层前馈神经网络（SLFN）模型 | 第42-43页 |
| 4.3.2 ELM算法的工作原理 | 第43-44页 |
| 4.3.3 ELM算法构造 | 第44-46页 |
| 4.4 ELM表情分类器 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 5 基于极限学习机的人脸表情识别 | 第48-56页 |
| 5.1 引言 | 第48页 |
| 5.2 基于极限学习机的人脸表情识别流程 | 第48-49页 |
| 5.3 实验测试 | 第49-51页 |
| 5.4 人脸表情识别仿真平台建立 | 第51-55页 |
| 5.4.1 实现环境 | 第51页 |
| 5.4.2 识别平台GUI | 第51-52页 |
| 5.4.3 识别流程示例 | 第52-55页 |
| 5.5 本章小结 | 第55-56页 |
| 6 总结与展望 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |