人脸表情特征提取与识别算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 表情识别国外研究现状 | 第12页 |
| 1.2.2 表情识别国内研究现状 | 第12-13页 |
| 1.3 研究主要工作和安排 | 第13页 |
| 1.4 论文研究框架 | 第13-15页 |
| 第2章 表情识别基础 | 第15-26页 |
| 2.1 表情识别基本流程 | 第15-20页 |
| 2.1.1 特征提取算法 | 第16-17页 |
| 2.1.2 表情分类算法 | 第17-18页 |
| 2.1.3 神经网络算法 | 第18-20页 |
| 2.2 人脸表情数据集 | 第20-21页 |
| 2.3 人脸检测与预处理 | 第21-25页 |
| 2.3.1 人脸检测 | 第21-23页 |
| 2.3.2 图像预处理 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 基于CSLBP和RILPQ的表情识别 | 第26-40页 |
| 3.1 改进的局部二值模式特征提取 | 第26-28页 |
| 3.1.1 局部二值模式特征提取 | 第26页 |
| 3.1.2 改进后的局部二值模式特征提取 | 第26-28页 |
| 3.2 旋转不变局部相位量化的特征提取 | 第28-30页 |
| 3.2.1 局部相位量化的特征提取 | 第28-29页 |
| 3.2.2 改进的局部相位量化特征提取 | 第29-30页 |
| 3.3 结合RILPQ和CSLBP的特征提取 | 第30-32页 |
| 3.4 基于SVM的人脸表情识别 | 第32-35页 |
| 3.4.1 SVM基本概念 | 第33-34页 |
| 3.4.2 多分类SVM | 第34-35页 |
| 3.5 仿真结果与分析 | 第35-39页 |
| 3.5.1 分块数对识别率的影响 | 第35-37页 |
| 3.5.2 算法的计算时间分析 | 第37页 |
| 3.5.3 算法的识别率比较 | 第37-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 基于CNN的表情识别 | 第40-49页 |
| 4.1 CNN模型的构建 | 第40-44页 |
| 4.1.1 CNN的一般结构 | 第40-41页 |
| 4.1.2 卷积神经网络的一般特性 | 第41-42页 |
| 4.1.3 CNN模型构建 | 第42-44页 |
| 4.2 CNN模型的训练 | 第44-46页 |
| 4.2.1 CNN模型的训练过程 | 第44-45页 |
| 4.2.2 CNN模型训练 | 第45-46页 |
| 4.3 表情识别分析 | 第46-48页 |
| 4.3.1 训练效果分析 | 第46-47页 |
| 4.3.2 识别准确率分析 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 表情识别系统 | 第49-61页 |
| 5.1 系统组成 | 第49-50页 |
| 5.2 系统流程 | 第50-51页 |
| 5.3 系统界面 | 第51-53页 |
| 5.4 系统功能测试 | 第53-60页 |
| 5.4.1 系统适用性 | 第53-57页 |
| 5.4.2 系统鲁棒性 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 本文总结 | 第61页 |
| 6.2 未来展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间成果 | 第68-69页 |
| 致谢 | 第69页 |
