基于时空特征的人脸表情识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12页 |
| 1.2 问题界定 | 第12-15页 |
| 1.2.1 常规表情 | 第13-14页 |
| 1.2.2 微表情 | 第14-15页 |
| 1.3 国内外研究现状 | 第15-18页 |
| 1.3.1 常规表情识别研究进展 | 第15-16页 |
| 1.3.2 微表情识别研究进展 | 第16-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 结合时空与几何特征学习的表情识别 | 第20-36页 |
| 2.1 独立子空间分析算法 | 第20-24页 |
| 2.1.1 单层独立子空间分析 | 第20-22页 |
| 2.1.2 多层独立子空间分析 | 第22-24页 |
| 2.2 基于多层ISA的时空特征学习 | 第24-27页 |
| 2.3 基于ISA的几何特征学习 | 第27-29页 |
| 2.4 结合时空和几何特征学习的表情识别 | 第29页 |
| 2.5 实验与分析 | 第29-35页 |
| 2.5.1 常规表情数据库 | 第29-30页 |
| 2.5.2 实验设置 | 第30-32页 |
| 2.5.3 各层ST-ISA特征的比较 | 第32-33页 |
| 2.5.4 几何特征的作用 | 第33页 |
| 2.5.5 与其他方法的比较 | 第33-35页 |
| 2.6 本章小结 | 第35-36页 |
| 第三章 基于时空Gabor滤波的微表情识别 | 第36-50页 |
| 3.1 微表情视频预处理 | 第36-39页 |
| 3.1.1 欧拉影像放大 | 第36-37页 |
| 3.1.2 微表情序列差分 | 第37-39页 |
| 3.2 时空GABOR滤波器 | 第39-42页 |
| 3.2.1 Gabor滤波器 | 第39-40页 |
| 3.2.2 时空Gabor滤波器组 | 第40-42页 |
| 3.3 基于时空GABOR特征的微表情识别 | 第42页 |
| 3.4 实验与分析 | 第42-49页 |
| 3.4.1 微表情数据库 | 第42-43页 |
| 3.4.2 参数设置 | 第43页 |
| 3.4.3 不同时空Gabor滤波器性能对比 | 第43-46页 |
| 3.4.4 预处理对微表情识别的作用 | 第46-47页 |
| 3.4.5 与其他方法的比较 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于STLGBP-TOP的微表情识别 | 第50-63页 |
| 4.1 LBP-TOP特征 | 第50-55页 |
| 4.1.1 局部二值模式 | 第50-52页 |
| 4.1.2 LBP-TOP | 第52-54页 |
| 4.1.3 LBP-TOP提取人脸表情特征 | 第54-55页 |
| 4.2 STLGBP-TOP特征 | 第55-59页 |
| 4.3 实验与分析 | 第59-61页 |
| 4.3.1 实验设计 | 第59页 |
| 4.3.2 STLGBP-TOP的参数优化 | 第59-61页 |
| 4.3.3 与相关方法的比较 | 第61页 |
| 4.4 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 硕士期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72页 |
