| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题研究的背景与意义 | 第15-16页 |
| 1.2 人脸表情识别系统综述 | 第16-17页 |
| 1.3 人脸表情数据库 | 第17页 |
| 1.4 人脸表情识别的国内外研究现状 | 第17-20页 |
| 1.4.1 图像预处理的研究现状 | 第17-18页 |
| 1.4.2 表情特征提取的研究现状 | 第18-20页 |
| 1.4.3 表情分类的研究现状 | 第20页 |
| 1.5 视频人脸表情识别中的研究难点 | 第20-21页 |
| 1.6 本文研究内容及章节安排 | 第21-23页 |
| 第二章 相关技术介绍 | 第23-33页 |
| 2.1 视频处理的相关知识 | 第23-24页 |
| 2.1.1 几何变换 | 第23-24页 |
| 2.1.2 图像灰度化 | 第24页 |
| 2.2 动态时间规整算法简介 | 第24-26页 |
| 2.2.1 时间序列 | 第24页 |
| 2.2.2 动态时间规整算法的基本原理 | 第24-25页 |
| 2.2.3 动态时间规整算法的优势 | 第25-26页 |
| 2.3 卷积神经网络 | 第26-32页 |
| 2.3.1 卷积神经网络中的单层结构 | 第27-29页 |
| 2.3.2 卷积神经网络中的多层结构 | 第29-30页 |
| 2.3.3 卷积神经网络的激活函数 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于动态时间规整算法和CNN的视频人脸表情识别 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 动态时间规整及其改进算法 | 第34-37页 |
| 3.2.1 动态时间规整算法 | 第34-35页 |
| 3.2.2 滑动窗口动态时间规整(SWDTW)算法 | 第35-37页 |
| 3.3 构建卷积神经网络 | 第37-39页 |
| 3.3.1 卷积神经网络结构设计 | 第37-38页 |
| 3.3.2 激活函数的选取 | 第38-39页 |
| 3.3.3 初始化 | 第39页 |
| 3.3.4 softmax层及分类结果 | 第39页 |
| 3.4 实验及结果分析 | 第39-44页 |
| 3.4.1 数据库的预处理及扩展 | 第39-40页 |
| 3.4.2 MMI数据库上实验分析 | 第40-42页 |
| 3.4.3 CK+数据库上实验分析 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 基于3D-CNN的视频人脸表情识别 | 第45-55页 |
| 4.1 引言 | 第45-46页 |
| 4.2 数据增强 | 第46-48页 |
| 4.2.1 基于高斯合成的数据增强方法 | 第46-47页 |
| 4.2.2 基于几何变换的数据增强方法 | 第47-48页 |
| 4.3 3D卷积神经网络 | 第48-50页 |
| 4.3.1 3D卷积神经网络概述 | 第48-49页 |
| 4.3.2 3D卷积神经网络结构 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-54页 |
| 4.4.1 实验数据集及增强 | 第50-51页 |
| 4.4.2 实验描述 | 第51-53页 |
| 4.4.3 实验结果分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 本文工作总结 | 第55页 |
| 5.2 研究展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第61-62页 |