| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 绪论 | 第12-27页 |
| ·选题背景及研究意义 | 第12-13页 |
| ·国内外研究现状 | 第13-19页 |
| ·主要研究内容 | 第19-22页 |
| ·研究内容 | 第19-21页 |
| ·研究方法与技术路线 | 第21-22页 |
| ·人脸表情数据 | 第22-24页 |
| ·论文的篇章结构 | 第24-27页 |
| 第二章 人脸表情识别分析 | 第27-47页 |
| ·表情特征提取分析 | 第27-37页 |
| ·表情图像预处理 | 第28-30页 |
| ·Gabor与Adaboost方法的特征提取 | 第30-31页 |
| ·ASM与AAM的特征提取 | 第31-34页 |
| ·基于流形的脸部特征提取 | 第34-37页 |
| ·表情分类分析 | 第37-43页 |
| ·支持向量机 | 第37-38页 |
| ·聚类分析 | 第38-43页 |
| ·表情识别框架 | 第43-45页 |
| ·小结 | 第45-47页 |
| 第三章 GABOR特征与神经网络在表情识别中的研究 | 第47-66页 |
| ·人脸表情识别相关研究 | 第48页 |
| ·BP网络结构的设计 | 第48-54页 |
| ·设计输入层与输出层 | 第49页 |
| ·隐层节点数选择 | 第49-50页 |
| ·神经网络常用传递函数 | 第50-51页 |
| ·神经网络模型的学习过程 | 第51-54页 |
| ·类间学习神经网络算法 | 第54-62页 |
| ·Gabor小波变换表情特征提取 | 第55-57页 |
| ·类间学习神经网络概要 | 第57页 |
| ·类间学习神经网络结构 | 第57-59页 |
| ·类间学习神经网络设计与训练 | 第59-61页 |
| ·表情分类识别 | 第61-62页 |
| ·局部GABOR特征与神经网络的表情识别 | 第62-64页 |
| ·小结 | 第64-66页 |
| 第四章 ICA特征与HMM在表情识别中的研究 | 第66-87页 |
| ·表情特征提取 | 第67-73页 |
| ·基本ICA模型 | 第68-69页 |
| ·表情图像的ICA模型 | 第69-70页 |
| ·FastICA处理 | 第70-73页 |
| ·特征提取优化算法 | 第73-78页 |
| ·粒子群优化 | 第74页 |
| ·PSO优化的ICA算法 | 第74-77页 |
| ·PSOICA数值实验 | 第77-78页 |
| ·表情识别 | 第78-82页 |
| ·HMM概述 | 第79页 |
| ·HMM建模 | 第79-81页 |
| ·HMM训练 | 第81-82页 |
| ·HMM表情识别 | 第82页 |
| ·实验结果与分析 | 第82-86页 |
| ·小结 | 第86-87页 |
| 第五章 AAM与Adaboost相结合的表情识别研究 | 第87-109页 |
| ·ASM模型 | 第88-93页 |
| ·ASM训练 | 第88-91页 |
| ·ASM拟合 | 第91-93页 |
| ·AAM模型 | 第93-97页 |
| ·AAM外观实现 | 第94-96页 |
| ·AAM人脸表情特征提取 | 第96-97页 |
| ·ADABOOST区分多类表情算法 | 第97-104页 |
| ·Adaboost基本算法描述 | 第98页 |
| ·Adaboost算法应用 | 第98-100页 |
| ·Adaboost多分类算法 | 第100-101页 |
| ·Harr型特征 | 第101-103页 |
| ·AAM方法的Harr型特征提取 | 第103-104页 |
| ·实验结果与分析 | 第104-107页 |
| ·实验数据 | 第104-105页 |
| ·训练集实验分析 | 第105-106页 |
| ·方法对比分析 | 第106-107页 |
| ·小结 | 第107-109页 |
| 第六章 聚类方法在表情识别中的研究 | 第109-131页 |
| ·流形特征 | 第109-115页 |
| ·局部线性嵌套 | 第110-112页 |
| ·局部保持投影 | 第112-114页 |
| ·有约束局部保持投影 | 第114-115页 |
| ·支持向量聚类 | 第115-119页 |
| ·支持向量聚类算法原理 | 第115-116页 |
| ·基于支持向量机的训练 | 第116-117页 |
| ·聚类形成 | 第117页 |
| ·聚类分析 | 第117-119页 |
| ·表情分类的SVC算法 | 第119-124页 |
| ·流形方法的人脸表情特征提取 | 第119页 |
| ·局部约束的支持向量聚类 | 第119-121页 |
| ·MFA约束的SVC方法 | 第121-122页 |
| ·构造基于LCSVC与NN相结合的分类器 | 第122-124页 |
| ·实验结果与分析 | 第124-129页 |
| ·小结 | 第129-131页 |
| 第七章 结论与展望 | 第131-135页 |
| ·全文工作总结 | 第131-133页 |
| ·进一步工作展望 | 第133-135页 |
| 参考文献 | 第135-154页 |
| 致谢 | 第154-155页 |
| 攻读学位期间的科研和论文 | 第155-156页 |