基于动态序列的微表情识别
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题背景及研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 相关进展 | 第13-14页 |
| 1.2.2 存在问题 | 第14-15页 |
| 1.3 主要内容与结构安排 | 第15-19页 |
| 1.3.1 研究目标 | 第15页 |
| 1.3.2 数据来源 | 第15-16页 |
| 1.3.3 主要内容 | 第16-17页 |
| 1.3.4 章节安排 | 第17-19页 |
| 第2章 基于多尺度LBP-TOP的特征提取 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 多尺度分析 | 第19-22页 |
| 2.2.1 平滑滤波 | 第19-20页 |
| 2.2.2 高斯微分 | 第20-22页 |
| 2.3 局部二值模式 | 第22-27页 |
| 2.3.1 原始LBP | 第22-23页 |
| 2.3.2 改进LBP | 第23-24页 |
| 2.3.3 降维 | 第24-26页 |
| 2.3.4 静态特征统计 | 第26-27页 |
| 2.4 时空局部二值模式 | 第27-32页 |
| 2.4.1 LBP-TOP | 第28-30页 |
| 2.4.2 动态特征统计 | 第30-32页 |
| 2.5 多尺度LBP-TOP | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 基于全局光流的特征提取与结合 | 第35-50页 |
| 3.1 引言 | 第35页 |
| 3.2 相关理论 | 第35-37页 |
| 3.2.1 运动场及光流场 | 第35-36页 |
| 3.2.2 经典计算方法 | 第36-37页 |
| 3.3 问题描述 | 第37-39页 |
| 3.3.1 约束条件 | 第37-39页 |
| 3.3.2 模型构建 | 第39页 |
| 3.4 算法实现 | 第39-48页 |
| 3.4.1 目标优化 | 第39-42页 |
| 3.4.2 多分辨率策略 | 第42-44页 |
| 3.4.3 特征统计 | 第44-48页 |
| 3.5 光流与LBP-TOP特征结合 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 分类器设计 | 第50-62页 |
| 4.1 引言 | 第50页 |
| 4.2 支持向量机 | 第50-56页 |
| 4.2.1 分类原理 | 第50-52页 |
| 4.2.2 样本空间 | 第52-55页 |
| 4.2.3 模型参数优化 | 第55-56页 |
| 4.3 随机森林 | 第56-61页 |
| 4.3.1 集成学习 | 第57页 |
| 4.3.2 决策树 | 第57-59页 |
| 4.3.3 组合分类模型 | 第59-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 实验分析 | 第62-74页 |
| 5.1 软件工具 | 第62页 |
| 5.2 评价准则 | 第62-64页 |
| 5.3 对比验证 | 第64-73页 |
| 5.3.1 识别LBP-TOP特征 | 第64-67页 |
| 5.3.2 识别GDLBP-TOP特征 | 第67-68页 |
| 5.3.3 识别OF特征 | 第68-70页 |
| 5.3.4 识别LBP-TOP+OF特征 | 第70-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第6章 全文总结 | 第74-76页 |
| 6.1 主要完成工作 | 第74页 |
| 6.2 进一步展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 作者简介及科研成果 | 第82-83页 |
| 致谢 | 第83页 |
