| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 研究背景及选题意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 人脸表情识别系统 | 第13-16页 |
| 1.3.1 表情图像预处理 | 第14页 |
| 1.3.2 表情特征提取 | 第14-15页 |
| 1.3.3 表情识别算法 | 第15-16页 |
| 1.4 人脸表情识别技术的难点 | 第16-17页 |
| 1.5 常用的表情数据库介绍 | 第17-18页 |
| 1.6 本文的研究工作和章节安排 | 第18-20页 |
| 1.6.1 本文主要工作 | 第18页 |
| 1.6.2 本文章节安排 | 第18-20页 |
| 第二章 人脸表情图像预处理 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 几何预处理 | 第20-22页 |
| 2.3 灰度预处理 | 第22-24页 |
| 2.4 本章小结 | 第24-26页 |
| 第三章 人脸表情特征提取 | 第26-42页 |
| 3.1 引言 | 第26页 |
| 3.2 Gabor小波变换特征提取 | 第26-30页 |
| 3.2.1 Gabor小波变换理论 | 第26-27页 |
| 3.2.2 二维Gabor小波变换原理 | 第27-30页 |
| 3.3 局部二元模式(LBP) | 第30-33页 |
| 3.3.1 LBP算子的计算方式 | 第30-32页 |
| 3.3.2 均匀模式LBP | 第32-33页 |
| 3.4 中心化多重二值模式算子(Center Multiple Binary Patterns) | 第33-36页 |
| 3.4.1 多重二值模式MBP算子(Multiple Binary Pattern) | 第33-35页 |
| 3.4.2 中心化多重二值模式 | 第35-36页 |
| 3.4.3 中心化多重二值模式算子(CMBP)的优势 | 第36页 |
| 3.5 基于Gabor小波变换与CMBP结合的特征提取算法 | 第36-41页 |
| 3.5.1 本文特征提取算法的基本思想 | 第36-37页 |
| 3.5.2 二维Gabor小波提取图像特征 | 第37-38页 |
| 3.5.3 CMBP二次特征提取 | 第38-39页 |
| 3.5.4 本文特征提取算法的具体流程 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 基于SVM的人脸表情识别 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 支持向量机 | 第42-49页 |
| 4.2.1 支持向量机的优势 | 第43页 |
| 4.2.2 线性情况下最优分类面 | 第43-45页 |
| 4.2.3 广义最优分类面 | 第45-46页 |
| 4.2.4 高维空间中的最优分类面 | 第46-47页 |
| 4.2.5 SVM核函数 | 第47-48页 |
| 4.2.6 多分类支持向量机 | 第48-49页 |
| 4.3 基于SVM的人脸表情识别 | 第49-51页 |
| 4.3.1 交叉验证方法的选择 | 第49-50页 |
| 4.3.2 确定核函数 | 第50页 |
| 4.3.3 参数的选择 | 第50页 |
| 4.3.4 构建多类SVM分类器 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 第五章 实验仿真结果分析与总结 | 第52-64页 |
| 5.1 引言 | 第52-53页 |
| 5.2 人脸表情预处理 | 第53-54页 |
| 5.3 特征提取方法实验对比分析 | 第54-62页 |
| 5.3.1 Gabor小波变换提取特征实验 | 第54-55页 |
| 5.3.2 LBP算子与MBP算子以及CMBP算子特征提取实验 | 第55-57页 |
| 5.3.3 基于Gabor小波与CMBP结合的特征提取方法实验 | 第57-62页 |
| 5.4 本章小结 | 第62-64页 |
| 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间取得的科研成果 | 第70-72页 |
| 致谢 | 第72页 |
