| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 国内外研究历史与现状 | 第12-16页 |
| 1.2.1 表情特征提取 | 第12-13页 |
| 1.2.2 表情分类 | 第13-14页 |
| 1.2.3 基于深度学习的表情识别 | 第14-15页 |
| 1.2.4 基于深度学习的表情识别方法的优点 | 第15-16页 |
| 1.3 本文的主要工作 | 第16页 |
| 1.4 本文的结构安排 | 第16-18页 |
| 第二章 深度学习与表情识别相关理论及方法 | 第18-30页 |
| 2.1 深度学习神经网络理论 | 第18-20页 |
| 2.1.1 神经网络模型 | 第18-19页 |
| 2.1.2 神经网络的前馈与反向传播过程 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-23页 |
| 2.2.1 卷积神经网络的原理 | 第20-22页 |
| 2.2.2 池化 | 第22-23页 |
| 2.2.4 卷积神经网络结构框架 | 第23页 |
| 2.3 集成学习 | 第23-24页 |
| 2.4 人脸检测和特征检测 | 第24-29页 |
| 2.4.1 VIOLA-JONES模型 | 第25-27页 |
| 2.4.2 ZHU-RAMANAN模型 | 第27页 |
| 2.4.3 SDM算法 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 指数加权决策融合的分级深度学习模型 | 第30-35页 |
| 3.1 构建多样化的深层卷积神经网络 | 第30-32页 |
| 3.2 指数加权决策融合 | 第32页 |
| 3.3 分级策略 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 使用BAGGING框架的集成分类器研究与实现 | 第35-46页 |
| 4.1 BAGGING | 第35-36页 |
| 4.2 使用BAGGING框架的深度模型设计 | 第36-38页 |
| 4.2.1 指数加权分级深度模型的缺点 | 第36-37页 |
| 4.2.2 使用BAGGING的轻量级集成分类器设计 | 第37-38页 |
| 4.3 训练数据集准备 | 第38-40页 |
| 4.3.1 人脸图像收集 | 第38页 |
| 4.3.2 人脸对齐方式 | 第38-40页 |
| 4.4 卷积神经网络结构与图片预处理方式选择 | 第40-42页 |
| 4.5 BAGGING中的超参数和决策融合规则确定 | 第42-43页 |
| 4.6 深度模型的总体架构 | 第43-44页 |
| 4.7 表情分类效果分析 | 第44-45页 |
| 4.8 本章小结 | 第45-46页 |
| 第五章 静态面部表情识别系统的设计与实现 | 第46-62页 |
| 5.1 需求分析 | 第46-47页 |
| 5.2 系统总体设计 | 第47-49页 |
| 5.3 拍照识别模式 | 第49-54页 |
| 5.3.1 模块设计 | 第49-50页 |
| 5.3.2 图片获取模块 | 第50-51页 |
| 5.3.3 前后端通信模块 | 第51-52页 |
| 5.3.4 表情识别模块 | 第52-54页 |
| 5.4 多图识别模式 | 第54-59页 |
| 5.4.1 基本流程和模块设计 | 第54-55页 |
| 5.4.2 图片获取模块 | 第55-56页 |
| 5.4.3 前后端通信模块 | 第56-59页 |
| 5.4.4 图片队列和表情识别模块 | 第59页 |
| 5.5 异常情况处理 | 第59-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第六章 静态面部表情识别系统的测试与分析 | 第62-69页 |
| 6.1 运行流程测试 | 第62-67页 |
| 6.2 识别准确率测试 | 第67-68页 |
| 6.3 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 论文总结 | 第69-70页 |
| 7.2 未来工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
