| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 情感计算研究现状 | 第13-14页 |
| 1.2.2 连续情感维度预测研究现状 | 第14-16页 |
| 1.3 本文研究内容 | 第16-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第2章 相关理论 | 第18-34页 |
| 2.1 人脸视频图像处理 | 第18-21页 |
| 2.1.1 LBP特征提取算法 | 第18-20页 |
| 2.1.2 DRMF人脸特征点检测算法 | 第20-21页 |
| 2.2 连续情感维度预测 | 第21-27页 |
| 2.2.1 情感维度理论概述 | 第21-23页 |
| 2.2.2 连续情感维度预测系统结构 | 第23-24页 |
| 2.2.3 支持向量回归模型 | 第24-26页 |
| 2.2.4 长短期记忆循环神经网络回归模型 | 第26-27页 |
| 2.3 数据库与模型评估标准 | 第27-33页 |
| 2.3.1 数据库介绍 | 第27-32页 |
| 2.3.2 连续情感维度预测方案评估标准 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于Bi-LBP-TOP的情感维度预测 | 第34-49页 |
| 3.1 引言 | 第34-35页 |
| 3.2 AVEC2012(FCSC)数据集 | 第35-36页 |
| 3.3 Bi-LBP-TOP特征提取 | 第36-40页 |
| 3.3.1 LBP-TOP方案 | 第36-38页 |
| 3.3.2 Bi-LBP-TOP方案 | 第38-40页 |
| 3.4 实验部分 | 第40-48页 |
| 3.4.1 实验环境配置 | 第40页 |
| 3.4.2 基于静态模型SVR | 第40-43页 |
| 3.4.3 基于动态模型LSTM-RNN | 第43-47页 |
| 3.4.4 Bi-LBP-TOP的改进方案 | 第47-48页 |
| 3.4.5 实验结果讨论 | 第48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 基于人脸基准点的Bi-LBP-TOP情感维度预测 | 第49-62页 |
| 4.1 引言 | 第49-50页 |
| 4.2 FLP-BLT连续情感维度预测 | 第50-55页 |
| 4.2.1 FLP-BLT的特征提取 | 第50-53页 |
| 4.2.2 连续情感维度预测模型搭建 | 第53-54页 |
| 4.2.3 连续情感维度预测 | 第54-55页 |
| 4.3 实验部分 | 第55-61页 |
| 4.3.1 块尺度的影响分析 | 第55-57页 |
| 4.3.2 训练集规模的影响分析 | 第57-59页 |
| 4.3.3 同起点同数目的训练集 | 第59页 |
| 4.3.4 随机起点不同数目训练集 | 第59-60页 |
| 4.3.5 少量训练样本的数据集 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第69-70页 |
| 致谢 | 第70页 |