摘要 | 第3-4页 |
Abstract | 第4页 |
第1章 绪论 | 第8-15页 |
1.1 微表情简介与研究现状 | 第8页 |
1.2 国内外/已有研究算法比较和结论 | 第8-14页 |
1.2.1 LBP-TOP算法 | 第9页 |
1.2.2 CLQP算法 | 第9-10页 |
1.2.3 时空梯度特征 | 第10页 |
1.2.4 Gabor特征 | 第10-11页 |
1.2.5 RPCA算法 | 第11页 |
1.2.6 STCLQP | 第11页 |
1.2.7 空间时间梯度特征 | 第11-12页 |
1.2.8 基于几何变形建模的检测方法 | 第12页 |
1.2.9 其他方法 | 第12-14页 |
1.3 设计研究目标 | 第14-15页 |
第2章 相关理论与技术研究 | 第15-20页 |
2.1 识别算法研究 | 第15-16页 |
2.1.1 LBP-TOP | 第15页 |
2.1.2 主成分分析法(Robust Principal Component Analysis) | 第15-16页 |
2.1.3 其他方法 | 第16页 |
2.2 检测算法研究 | 第16-18页 |
2.2.1 特征差异法 | 第16-17页 |
2.2.2 基于应变张量的检测方法 | 第17页 |
2.2.3 基于特征差异的检测方法 | 第17-18页 |
2.3 分类算法研究 | 第18-20页 |
2.3.1 基于CBP-TOP的分类方法 | 第18-19页 |
2.3.2 基于小波变换的分类方法 | 第19页 |
2.3.3 基于欧拉视频放大的分类方法 | 第19页 |
2.3.4 基于关键点跟踪的运动单元识别 | 第19-20页 |
第3章 微表情识别系统算法研究及应用 | 第20-46页 |
3.1 算法研究创新及开发过程 | 第20-21页 |
3.2 数据库 | 第21-23页 |
3.3 预处理 | 第23-27页 |
3.3.1 灰度化 | 第23-24页 |
3.3.2 人脸检测 | 第24-25页 |
3.3.3 面部关键点检测 | 第25-26页 |
3.3.4 直方图均衡化 | 第26-27页 |
3.4 局部二进制模式 | 第27-34页 |
3.4.1 原始LBP | 第27-28页 |
3.4.2 改进的局部二进制模式 | 第28-30页 |
3.4.3 LBP-TOP | 第30-34页 |
3.5 微表情识别算法 | 第34-42页 |
3.5.1 检测算法 | 第34-36页 |
3.5.2 分类算法 | 第36-42页 |
3.6 编程语言和实现 | 第42-43页 |
3.7 实验和评价方法 | 第43-46页 |
3.7.1 本项目中的混淆矩阵 | 第44-46页 |
第4章 实现 | 第46-56页 |
4.1 微表情识别系统 | 第46页 |
4.2 数据输入模块 | 第46-47页 |
4.3 用户界面处理组件 | 第47-53页 |
4.3.1 预处理模块 | 第47-48页 |
4.3.2 特征提取模块 | 第48-51页 |
4.3.3 检测模块 | 第51-52页 |
4.3.4 分类模块 | 第52-53页 |
4.4 图形用户界面(GUI) | 第53-56页 |
第5章 实验和结果分析 | 第56-71页 |
5.1 训练阶段 | 第56-64页 |
5.1.1 数据预处理和处理 | 第56-57页 |
5.1.2 特征提取 | 第57-58页 |
5.1.3 检测算法的探究 | 第58-61页 |
5.1.4 分类算法的探究 | 第61-64页 |
5.2 测试阶段 | 第64-65页 |
5.3 实验结果分析与评价 | 第65-71页 |
5.3.1 数据处理和预处理 | 第65-66页 |
5.3.2 特征提取阶段 | 第66-67页 |
5.3.3 检测阶段 | 第67-69页 |
5.3.4 分类阶段 | 第69-71页 |
第6章 结论 | 第71-73页 |
6.1 项目成果 | 第71页 |
6.2 局限 | 第71-72页 |
6.2.1 样本 | 第71页 |
6.2.2 特征提取方面 | 第71-72页 |
6.2.3 检测方面 | 第72页 |
6.3 未来研究方向 | 第72-73页 |
6.3.1 微表情识别预处理 | 第72页 |
6.3.2 长视频中的微表情识别 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-82页 |
攻读硕士学位期间发表的论文及科研成果 | 第82页 |