基于视频的微表情识别方法
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 微表情国内外研究现状 | 第10-14页 |
| 1.2.1 微表情相关发展 | 第11-12页 |
| 1.2.2 数据库介绍 | 第12-14页 |
| 1.3 本文的主要内容及章节安排 | 第14-15页 |
| 第2章 人脸图像的预处理 | 第15-21页 |
| 2.1 人脸图像的检测 | 第15-18页 |
| 2.1.1 人脸图像几何归一化 | 第16-17页 |
| 2.1.2 寻找微表情图像 | 第17-18页 |
| 2.2 人脸图像去噪 | 第18-21页 |
| 2.2.1 中值滤波器 | 第18-19页 |
| 2.2.2 高斯滤波器 | 第19-21页 |
| 第3章 基于光流法和时空局部二值模式的微表情识别 | 第21-39页 |
| 3.1 局部二值模式算法 | 第21-27页 |
| 3.1.1 传统的局部二值模式 | 第21-23页 |
| 3.1.2 LBP延伸算法 | 第23-27页 |
| 3.2 基于光流法和时空局部二值模式的方法 | 第27-34页 |
| 3.2.1 光流法 | 第27-29页 |
| 3.2.2 积分投影 | 第29-31页 |
| 3.2.3 时空局部二值模式算法 | 第31-32页 |
| 3.2.4 基于光流法和时空局部二值模式算法 | 第32-34页 |
| 3.3 支持向量机的分类算法 | 第34-36页 |
| 3.3.1 线性支持向量机 | 第34-35页 |
| 3.3.2 非线性支持向量机 | 第35页 |
| 3.3.3 多分类支持向量机 | 第35-36页 |
| 3.4 本章小结 | 第36-39页 |
| 第4章 基于深度学习的微表情识别 | 第39-53页 |
| 4.1 卷积神经网络 | 第39-50页 |
| 4.1.1 反向传播算法 | 第40-42页 |
| 4.1.2 卷积神经网络 | 第42-48页 |
| 4.1.3 局部二值卷积神经网络 | 第48-50页 |
| 4.2 Caffe学习框架 | 第50-51页 |
| 4.2.1 Caffe学习框架介绍 | 第50-51页 |
| 4.2.2 Caffe学习框架的特性 | 第51页 |
| 4.3 本章小结 | 第51-53页 |
| 第5章 系统实现以及实验结果 | 第53-61页 |
| 5.1 微表情识别系统总体框架 | 第53-54页 |
| 5.2 微表情识别系统功能分析 | 第54-56页 |
| 5.3 基于视频的微表情识别系统 | 第56-60页 |
| 5.3.1 系统软件配置 | 第56页 |
| 5.3.2 系统识别结果分析与比较 | 第56-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文及所取得的研究成果 | 第67-69页 |
| 致谢 | 第69-70页 |
