| 摘要 | 第1-5页 |
| Abstract | 第5-8页 |
| 第一章 绪论 | 第8-16页 |
| ·研究背景及意义 | 第8页 |
| ·研究现状及研究趋势 | 第8-10页 |
| ·人脸表情识别技术概述 | 第10-13页 |
| ·人脸表情识别系统的基本框架 | 第10-12页 |
| ·人脸检测与图像预处理方法 | 第12页 |
| ·现有主要的特征提取方法 | 第12-13页 |
| ·分类识别方法 | 第13页 |
| ·主要的表情数据库 | 第13-15页 |
| ·本文主要工作及研究内容安排 | 第15-16页 |
| 第二章 人脸检测与预处理 | 第16-24页 |
| ·人脸检测与定位 | 第16-20页 |
| ·Harr-Like 特征 | 第16-18页 |
| ·Adaboost 算法 | 第18-19页 |
| ·仿真结果 | 第19-20页 |
| ·表情图像的预处理 | 第20-23页 |
| ·旋转 | 第20-21页 |
| ·人脸区域的裁剪 | 第21页 |
| ·灰度均衡化 | 第21-22页 |
| ·几何归一化 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第三章 人脸表情特征提取方法 | 第24-40页 |
| ·二维主成份分析算法 （2DPCA) | 第24-28页 |
| ·主成份分析算法 （PCA) | 第24-27页 |
| ·二维主成份分析算法 （2DPCA） 原理 | 第27-28页 |
| ·二维独立分量分析方法 （2DICA) | 第28-31页 |
| ·独立分量分析算法 （ICA) | 第28-30页 |
| ·二维独立分量分析算法（2DICA）原理 | 第30-31页 |
| ·二维线性判别分析 （2DLDA) | 第31-36页 |
| ·Fisher 线性判别分析方法（LDA) | 第31-34页 |
| ·二维线性判别方法 （2DLDA） 原理 | 第34-36页 |
| ·二维Gabor 小波变换 | 第36-39页 |
| ·Gabor 小波变换的背景 | 第36页 |
| ·二维Gabor 小波滤波器 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 第四章 基于支持向量机(SVM)的分类识别方法 | 第40-48页 |
| ·支持向量机理论 | 第40-45页 |
| ·原理 | 第40-44页 |
| ·的主要核函数 | 第44-45页 |
| ·SVSVM M 参数的选取 | 第45页 |
| ·用于多类分类的支持向量机 | 第45-47页 |
| ·二类组合分类 | 第46-47页 |
| ·三种多分类器的对比分析 | 第47页 |
| ·本章小结 | 第47-48页 |
| 第五章 实验仿真结果与分析比较 | 第48-64页 |
| ·基于Gabor 小波变换的特征提取方法 | 第48-50页 |
| ·基于Gabor 小波特征和二次降维算法的表情识别方法比较 | 第50-58页 |
| ·基于Gabor 特征和2D-PCA 降维和表情识别方法仿真 | 第50-53页 |
| ·基于Gabor 特征和2D-ICA 降维和表情识别方法 | 第53-54页 |
| ·基于Gabor 特征和2D-LDA 降维和表情识别方法 | 第54-58页 |
| ·基于多种核函数的SVM 在表情识别中效果比较 | 第58-63页 |
| ·SVM 分类器的设计 | 第58-61页 |
| ·实验仿真结果与分析 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| ·总结 | 第64页 |
| ·值得进一步研究的问题 | 第64-66页 |
| 致谢 | 第66-67页 |
| 攻读硕士学位期间发表的论文 | 第67-68页 |
| 参考文献 | 第68-72页 |
