微表情识别算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 微表情定义 | 第9页 |
| 1.2 选题背景及意义 | 第9-10页 |
| 1.3 微表情识别研究进展 | 第10-12页 |
| 1.3.1 早期心理学微表情研究 | 第11页 |
| 1.3.2 自动微表情识别研究 | 第11-12页 |
| 1.4 微表情数据库 | 第12-15页 |
| 1.5 主要研究内容及章节安排 | 第15-17页 |
| 1.5.1 主要研究内容 | 第15-16页 |
| 1.5.2 章节安排 | 第16-17页 |
| 第二章 基于静态图像的微表情识别 | 第17-30页 |
| 2.1 预处理 | 第17-20页 |
| 2.1.1 灰度归一化 | 第17-19页 |
| 2.1.2 尺寸归一化 | 第19-20页 |
| 2.2 特征提取 | 第20-24页 |
| 2.2.1 Gabor特征 | 第20-22页 |
| 2.2.2 局部相位量化特征 | 第22-24页 |
| 2.3 基于SVM微表情识别 | 第24-28页 |
| 2.3.1 SVM原理 | 第24-27页 |
| 2.3.2 基于SVM的静态图像微表情识别 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 动态序列的微表情识别 | 第30-39页 |
| 3.1 动态序列特征提取 | 第30-35页 |
| 3.1.1 LBP算子 | 第30-33页 |
| 3.1.2 LBP_TOP算子 | 第33-35页 |
| 3.2 基于LLE的特征降维 | 第35-37页 |
| 3.3 基于SVM的动态序列微表情识别 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于深度学习的微表情识别 | 第39-50页 |
| 4.1 深度学习综述 | 第39-41页 |
| 4.1.1 深度学习与神经网络 | 第40页 |
| 4.1.2 神经网络训练 | 第40-41页 |
| 4.2 卷积神经网络 | 第41-47页 |
| 4.2.1 CNN网络结构 | 第41-42页 |
| 4.2.2 局部感受野与权值共享 | 第42-43页 |
| 4.2.3 卷积层和池化层 | 第43-45页 |
| 4.2.4 激活函数 | 第45-47页 |
| 4.3 3D-CNN特征提取 | 第47-49页 |
| 4.3.1 2D卷积网络与 3D卷积网络 | 第48页 |
| 4.3.2 C3D提取微表情特征 | 第48-49页 |
| 4.4 基于SVM的微表情识别 | 第49页 |
| 4.5 本章小结 | 第49-50页 |
| 第五章 实验结果及其分析 | 第50-60页 |
| 5.1 实验环境 | 第50页 |
| 5.2 基于静态图像的微表情识别实验结果及其分析 | 第50-54页 |
| 5.3 基于动态序列的微表情识别实验结果及其分析 | 第54-57页 |
| 5.4 基于深度学习的微表情识别实验结果及其分析 | 第57-60页 |
| 第六章 总结展望 | 第60-62页 |
| 6.1 全文总结 | 第60页 |
| 6.2 研究展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间申请的专利 | 第67-68页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第68-69页 |
| 致谢 | 第69页 |
