基于人脸识别技术的面部表情研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及分析 | 第12-14页 |
| 1.3 表情自动识别概述 | 第14-17页 |
| 1.3.1 表情特征提取方法 | 第15-16页 |
| 1.3.2 表情分类常用方法 | 第16-17页 |
| 1.4 本文主要研究内容及每章节安排 | 第17-19页 |
| 第2章 表情图像采集装置的设计 | 第19-25页 |
| 2.1 表情图像采集装置的组成 | 第19-20页 |
| 2.2 表情图像采集装置的设计特点 | 第20-22页 |
| 2.3 系统界面以及系统评价指标的设计 | 第22-23页 |
| 2.3.1 表情识别系统界面的设计 | 第22-23页 |
| 2.3.2 表情识别系统评价指标的计算 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 人脸检测与特征提取 | 第25-38页 |
| 3.1 人脸检测与特征点定位 | 第25-28页 |
| 3.1.1 基于AdaBoost算法的人脸检测 | 第25-26页 |
| 3.1.2 特征点定位 | 第26-28页 |
| 3.2 图像预处理 | 第28-31页 |
| 3.3 LBP特征提取算法原理 | 第31-33页 |
| 3.3.1 基本LBP算子 | 第31-32页 |
| 3.3.2 圆形邻域LBP算子 | 第32-33页 |
| 3.4 LBP分区特征提取及实验结果 | 第33-36页 |
| 3.5 本章小结 | 第36-38页 |
| 第4章 表情分类 | 第38-49页 |
| 4.1 分类算法研究 | 第38-44页 |
| 4.1.1 基于SVM的表情分类 | 第38-39页 |
| 4.1.2 基于ELM的表情分类 | 第39-44页 |
| 4.2 入侵杂草算法优化ELM神经网络 | 第44-46页 |
| 4.2.1 入侵杂草算法 | 第44-45页 |
| 4.2.2 IWO优化ELM神经网络 | 第45-46页 |
| 4.3 分类算法对比实验 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 实验与结果分析 | 第49-57页 |
| 5.1 建立实验样本库 | 第49-53页 |
| 5.2 实验结果与分析 | 第53-56页 |
| 5.2.1 光照条件对实验结果的影响 | 第53-55页 |
| 5.2.2 样本数量对分类实验的影响 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 结论 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读学位期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
