| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 前言 | 第10-20页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状分析 | 第11-12页 |
| 1.3 人脸表情识别算法的分析 | 第12-18页 |
| 1.3.1 特征提取 | 第13-17页 |
| 1.3.2 表情分类 | 第17-18页 |
| 1.4 本文的研究内容及结构安排 | 第18-20页 |
| 第2章 基于压缩感知的人脸表情识别 | 第20-38页 |
| 2.1 引言 | 第20-21页 |
| 2.2 压缩感知理论（CS） | 第21-22页 |
| 2.3 基于稀疏表达的人脸表情分析原理 | 第22-23页 |
| 2.4 基于隶属度的混合表情分析 | 第23-24页 |
| 2.5 人脸表情空间理论 | 第24-27页 |
| 2.5.1 表情空间分析 | 第24-25页 |
| 2.5.2 表情点到各类基本表情的距离 | 第25-27页 |
| 2.6 基于稀疏表达的人脸表情分析算法 | 第27-28页 |
| 2.7 实验结果与分析 | 第28-36页 |
| 2.7.1 表情图像预处理 | 第29页 |
| 2.7.2 Gabor 小波函数 | 第29-30页 |
| 2.7.3 基于 Gabor 特征的表情识别 | 第30-32页 |
| 2.7.4 基于稀疏表达的混合表情分析 | 第32-34页 |
| 2.7.5 基于稀疏表达的表情空间分析 | 第34-36页 |
| 2.8 本章小结 | 第36-38页 |
| 第3章 基于字典学习算法的人脸表情识别 | 第38-48页 |
| 3.1 引言 | 第38页 |
| 3.2 基于 K-SVD 的人脸表情识别 | 第38-39页 |
| 3.3 基于 D-KSVD 的人脸表情识别 | 第39-41页 |
| 3.4 基于 K-SVD 和 D-KSVD 的人脸表情识别算法 | 第41-42页 |
| 3.5 基于 RP 的特征降维算法 | 第42-43页 |
| 3.6 实验结果与分析 | 第43-47页 |
| 3.6.1 基于字典学习算法 | 第43-45页 |
| 3.6.2 基于 RP 的特征降维的分析 | 第45-47页 |
| 3.6.3 实验结果的验证 | 第47页 |
| 3.7 本章小结 | 第47-48页 |
| 第4章 基于流形学习算法的人脸表情识别 | 第48-56页 |
| 4.1 引言 | 第48-49页 |
| 4.2 半监督学习的框架 | 第49-52页 |
| 4.2.1 支持向量机(SVM) | 第49-50页 |
| 4.2.2 LapSVM 算子(Laplacian Support Vector Machines) | 第50-52页 |
| 4.2.3 HS-SVM 算子(Hessian SVM) | 第52页 |
| 4.3 实验结果与分析 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 基于视觉感知机制的人脸表情识别 | 第56-66页 |
| 5.1 引言 | 第56页 |
| 5.2 标准 HMAX 模型 | 第56-59页 |
| 5.3 标准 HMAX 模型在人脸表情识别中的局限 | 第59页 |
| 5.4 改进的 HMAX 模型 | 第59-62页 |
| 5.5 实验结果与分析 | 第62-64页 |
| 5.6 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-76页 |
| 攻读硕士学位期间取得的学术成果 | 第76-78页 |
| 致谢 | 第78页 |
