| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论部分 | 第11-19页 |
| 1.1 问题提出及研究意义 | 第11-12页 |
| 1.1.1 问题的提出 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外相关研究现状 | 第12-16页 |
| 1.2.1 基于动态序列表情特征提取的研究现状 | 第13-14页 |
| 1.2.2 基于动态序列表情分类的研究现状 | 第14-15页 |
| 1.2.3 目前存在的主要问题 | 第15-16页 |
| 1.3 本文的主要内容与结构安排 | 第16-19页 |
| 1.3.1 研究的目标 | 第16页 |
| 1.3.2 本文选用的图库 | 第16-17页 |
| 1.3.3 本文研究的内容 | 第17页 |
| 1.3.4 本文的章节安排 | 第17-19页 |
| 第二章 人脸表情特征提取 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 建立人脸表情模型 | 第19-22页 |
| 2.2.1 特征点的标定 | 第19-20页 |
| 2.2.2 形状训练 | 第20-22页 |
| 2.3 特征提取算法对比 | 第22-29页 |
| 2.3.1 MR-ASM | 第22-23页 |
| 2.3.2 传统 AAM | 第23-24页 |
| 2.3.3 基于 Lucas-Kanade 的拟合算法 | 第24-25页 |
| 2.3.4 IAIA 和 ICIA 算法框架 | 第25-28页 |
| 2.3.5 AAM 算法的抗遮挡改进 | 第28-29页 |
| 2.4 实验对比 | 第29-31页 |
| 2.5 差分主动表观模型 | 第31-34页 |
| 2.5.1 差分主动表观模型（DAFs） | 第31-32页 |
| 2.5.2 差分面部表情概率密度模型 | 第32-33页 |
| 2.5.3 算法的不足 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 特征降维 | 第35-43页 |
| 3.1 引言 | 第35页 |
| 3.2 人脸特征的线性降维方式 | 第35-37页 |
| 3.2.1 主成分分析法 | 第35-36页 |
| 3.2.2 线性鉴别分析 | 第36-37页 |
| 3.3 流形学习 | 第37-39页 |
| 3.3.1 局部线性嵌入算法 | 第38页 |
| 3.3.2 反向组合的 AAM 中降维改进 | 第38-39页 |
| 3.4 PCA 降维和流形学习的降维实验对比 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 表情特征分类 | 第43-53页 |
| 4.1 前言 | 第43页 |
| 4.2 支持向量机基本原理 | 第43-48页 |
| 4.2.1 线性可分情况 | 第44-45页 |
| 4.2.2 核函数与特征空间 | 第45-46页 |
| 4.2.3 线性不可分状况 | 第46-47页 |
| 4.2.4 支持向量机的训练 | 第47-48页 |
| 4.3 支持向量机分类方法研究 | 第48-50页 |
| 4.3.1 分类方法 | 第48-49页 |
| 4.3.2 表情的分类 | 第49-50页 |
| 4.4 仿真实验及结果分析 | 第50-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第五章 动态纹理识别 | 第53-59页 |
| 5.1 局部二值模式 | 第53-54页 |
| 5.1.1 基本原理 | 第53页 |
| 5.1.2 LBP 改进 | 第53-54页 |
| 5.2 LBP-TOP | 第54-56页 |
| 5.3 实验结果和分析 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 全文总结 | 第59-61页 |
| 6.1 主要研究内容 | 第59页 |
| 6.2 不足和展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 作者简介 | 第67-69页 |
| 致谢 | 第69页 |