基于像素模式纹理特征（PPBTF）的人脸表情识别
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 1 绪论 | 第9-19页 |
| ·研究背景和意义 | 第9-11页 |
| ·人脸表情概述 | 第11-12页 |
| ·国内外人脸表情识别理论研究机构 | 第12-13页 |
| ·国内外人脸表情识别系统产品发展现状 | 第13-14页 |
| ·表情识别当前存在的问题和难点 | 第14-15页 |
| ·典型人脸图像库简介 | 第15-17页 |
| ·本文的研究内容及创新点 | 第17-18页 |
| ·章节安排 | 第18-19页 |
| 2 人脸图像的特征提取方法 | 第19-31页 |
| ·几何特征 | 第19-21页 |
| ·手动定义特征点 | 第19页 |
| ·自动提取特征点 | 第19-20页 |
| ·基于几何轮廓特征的模板匹配 | 第20-21页 |
| ·统计特征 | 第21-24页 |
| ·主成分分析方法(PCA) | 第21-22页 |
| ·独立成分分析法(ICA) | 第22-24页 |
| ·频率域特征 | 第24-26页 |
| ·Gabor小波特征提取方法 | 第24-25页 |
| ·Haar-like小波特征提取 | 第25-26页 |
| ·运动特征 | 第26-27页 |
| ·纹理特征 | 第27-31页 |
| 3 基于像素模式的纹理特征(PPBTF) | 第31-38页 |
| ·基于模式图的纹理建模 | 第31-32页 |
| ·构建特征矢量 | 第32-34页 |
| ·模板的选择 | 第34-36页 |
| ·模式图(Pattern map) | 第36-37页 |
| ·纹理图像分割 | 第37-38页 |
| 4 支持向量机(SVM) | 第38-49页 |
| ·机器学习和VC维理论 | 第38-40页 |
| ·机器学习 | 第38-39页 |
| ·VC维理论 | 第39-40页 |
| ·线性可分的最优分类面 | 第40-42页 |
| ·线性不可分的广义最优分类面 | 第42页 |
| ·常用的SVM核函数 | 第42-43页 |
| ·SVM的训练算法 | 第43-47页 |
| ·Osuna算法 | 第43页 |
| ·SMO算法 | 第43页 |
| ·LibSVM算法 | 第43-47页 |
| ·SVM用于多类识别 | 第47-49页 |
| ·一对一投票式SVM | 第47-48页 |
| ·一对多SVM | 第48-49页 |
| 5 基于PPBTF表情识别系统 | 第49-53页 |
| ·人脸检测 | 第49-50页 |
| ·图像预处理和PPBTF特征提取 | 第50-51页 |
| ·Adaboost和SVM结合作为分类器 | 第51-53页 |
| 6 实验及结果分析 | 第53-63页 |
| ·参数讨论 | 第53-54页 |
| ·两类表情识别实验方案 | 第54-56页 |
| ·一对一方案 | 第54-56页 |
| ·一对多方案 | 第56页 |
| ·多类表情识别 | 第56-59页 |
| ·实时表情识别系统 | 第59页 |
| ·光照对识别结果的影响 | 第59-62页 |
| ·分辨率对识别结果的影响 | 第62-63页 |
| 7 PPBTF和Gabor小波的比较 | 第63-67页 |
| ·Gabor小波的人脸特征表达 | 第63-65页 |
| ·识别率测试 | 第65-66页 |
| ·计算时间 | 第66-67页 |
| 结论 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士学位期间发表学术论文情况 | 第71-72页 |
| 致谢 | 第72-73页 |
