| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第13-19页 |
| 1.1 选题背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 传统人脸关键点定位技术现状 | 第15-16页 |
| 1.2.2 面部表情编码系统 | 第16-17页 |
| 1.3 论文主要内容及结构安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 2 深度学习算法原理 | 第19-26页 |
| 2.1 人工神经网络 | 第19-20页 |
| 2.2 误差反向传播网络 | 第20-21页 |
| 2.3 典型深度学习网络 | 第21-22页 |
| 2.3.1 深度玻尔兹曼机 | 第21-22页 |
| 2.3.2 深度置信网络 | 第22页 |
| 2.4 卷积神经网络 | 第22-25页 |
| 2.4.1 CNN的网络结构 | 第23-24页 |
| 2.4.2 局部感受野与权值共享 | 第24-25页 |
| 2.4.3 下采样 | 第25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 传统人脸关键点定位算法 | 第26-36页 |
| 3.1 主动形状模型 | 第26-31页 |
| 3.1.1 训练阶段 | 第26-29页 |
| 3.1.2 搜索阶段 | 第29-30页 |
| 3.1.3 实验结果与分析 | 第30-31页 |
| 3.2 鲁棒级联形状回归算法 | 第31-35页 |
| 3.2.1 级联形状回归算法 | 第31-33页 |
| 3.2.2 鲁棒级联形状回归算法 | 第33-34页 |
| 3.2.3 实验结果与分析 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 4 基于深度学习的人脸关键点定位算法 | 第36-54页 |
| 4.1 基于级联深度卷积神经网络的定位算法 | 第36-41页 |
| 4.1.1 网络结构设计 | 第36-37页 |
| 4.1.2 CNN设计与多层回归 | 第37-39页 |
| 4.1.3 训练与定位过程 | 第39-40页 |
| 4.1.4 实验结果与分析 | 第40-41页 |
| 4.2 改进的由粗到精的级联深度卷积神经网络的定位算法 | 第41-47页 |
| 4.2.1 网络结构设计 | 第42-43页 |
| 4.2.2 由粗到精的算法思想 | 第43-44页 |
| 4.2.3 CFCNN训练过程 | 第44-46页 |
| 4.2.4 实验结果与分析 | 第46-47页 |
| 4.3 基于多任务深度卷积神经网络的鲁棒定位算法 | 第47-51页 |
| 4.3.1 多任务学习算法理论 | 第47-48页 |
| 4.3.2 基于多任务的深度卷积神经网络模型 | 第48-49页 |
| 4.3.3 基于多任务深度卷积神经网络模型的训练过程 | 第49-50页 |
| 4.3.4 实验结果与分析 | 第50-51页 |
| 4.4 鲁棒关键点定位算法性能的统计学分析 | 第51-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 基于多任务深度学习的鲁棒表情共生点检测及强度估计 | 第54-63页 |
| 5.1 算法设计 | 第54-55页 |
| 5.2 算法实现 | 第55-60页 |
| 5.2.1 基于TCDCN的鲁棒表情关键点定位算法 | 第55-56页 |
| 5.2.2 面部特征提取 | 第56-59页 |
| 5.2.3 SVM分类与SVR回归 | 第59-60页 |
| 5.3 实验结果与分析 | 第60-62页 |
| 5.3.1 表情共生点检测实验结果与分析 | 第60-61页 |
| 5.3.2 表情共生点强度估计实验结果与分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 6 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-68页 |
| 作者简历及攻读硕士 /博士学位期间取得的研究成果 | 第68-70页 |
| 学位论文数据集 | 第70页 |
