基于深度学习的多模态老人情感识别方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-17页 |
| 1.2 国内外研究进展 | 第17-19页 |
| 1.2.1 国外研究进展 | 第17-18页 |
| 1.2.2 国内研究进展 | 第18-19页 |
| 1.3 论文的主要工作与结构 | 第19-21页 |
| 第二章 建立多模态情感库 | 第21-30页 |
| 2.1 建库标准及情感类型的选择 | 第21-24页 |
| 2.1.1 建立情感数据库所需遵循的标准 | 第21-22页 |
| 2.1.2 情感的分类方式 | 第22-24页 |
| 2.1.3 情感类型选择 | 第24页 |
| 2.2 视频情感库 | 第24-26页 |
| 2.2.1 视频的获取方法 | 第24页 |
| 2.2.2 情感视频文件的命名规则 | 第24-25页 |
| 2.2.3 视频情感的评定 | 第25-26页 |
| 2.3 语音情感语料库 | 第26-28页 |
| 2.3.1 语音信号的获取 | 第26-27页 |
| 2.3.2 情感语音文件的命名规则 | 第27页 |
| 2.3.3 语音情感的评定 | 第27-28页 |
| 2.4 人脸表情图像库 | 第28-29页 |
| 2.4.1 表情图像序列的获取 | 第28页 |
| 2.4.2 人脸表情文件的命名规则 | 第28-29页 |
| 2.4.3 人脸表情的情感评定 | 第29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 语音特征提取及情感识别 | 第30-47页 |
| 3.1 语音情感特征提取 | 第30-32页 |
| 3.1.1 梅尔倒谱系数MFCC | 第30页 |
| 3.1.2 小波包系数WPC | 第30-31页 |
| 3.1.3 傅里叶系数FP | 第31-32页 |
| 3.2 基于自编码神经网络的语音情感特征降维 | 第32-36页 |
| 3.2.1 自编码神经网络 | 第32-34页 |
| 3.2.2 特征降维实验验证 | 第34-36页 |
| 3.3 分类器SVM | 第36页 |
| 3.4 实验结果及分析 | 第36-38页 |
| 3.5 基于预测的多特征融合对老人语音情感的分类 | 第38-46页 |
| 3.5.1 多特征融合说明 | 第38-39页 |
| 3.5.2 融合方法说明 | 第39-40页 |
| 3.5.3 算法设计 | 第40-44页 |
| 3.5.4 实验结果 | 第44-46页 |
| 3.6 本章小结 | 第46-47页 |
| 第四章 人脸表情特征提取及情感识别 | 第47-57页 |
| 4.1 表情图像预处理 | 第48-50页 |
| 4.1.1 转换图片格式和图片类型 | 第48页 |
| 4.1.2 光照补偿 | 第48页 |
| 4.1.3 直方图均衡化 | 第48-49页 |
| 4.1.4 人脸裁剪 | 第49-50页 |
| 4.2 深度学习模型的选择 | 第50-54页 |
| 4.2.1 多决策神经网络 | 第50-51页 |
| 4.2.2 自编码神经网络 | 第51页 |
| 4.2.3 卷积神经网络 | 第51-54页 |
| 4.3 参数训练 | 第54页 |
| 4.4 实验结果及分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-60页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 作者简介及读研期间主要科研成果 | 第66页 |
