基于SRU机器人的人脸表情识别系统研究与实现
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 国外研究现状 | 第13-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 人脸表情识别中的难点 | 第16-17页 |
| 1.4 本论文主要内容 | 第17-18页 |
| 1.5 本论文的结构安排 | 第18-19页 |
| 第二章 机器人平台与相关研究方法介绍 | 第19-33页 |
| 2.1 机器人平台介绍 | 第19-21页 |
| 2.2 人脸表情识别传统方法 | 第21-28页 |
| 2.2.1 人脸检测与定位 | 第22-24页 |
| 2.2.1.1 基于相关匹配的方法 | 第22-23页 |
| 2.2.1.2 基于几何特征的方法 | 第23页 |
| 2.2.1.3 基于统计理论的方法 | 第23-24页 |
| 2.2.2 人脸表情特征提取 | 第24-27页 |
| 2.2.2.1 静态图像特征提取 | 第25-26页 |
| 2.2.2.2 动态图像特征提取 | 第26-27页 |
| 2.2.3 人脸表情分类 | 第27-28页 |
| 2.2.3.1 空域方法 | 第27-28页 |
| 2.2.3.2 时空域方法 | 第28页 |
| 2.3 基于深度学习的表情识别 | 第28-32页 |
| 2.3.1 深度学习 | 第28-29页 |
| 2.3.2 卷积神经网络 | 第29-31页 |
| 2.3.3 Caffe | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于转移学习的表情识别 | 第33-48页 |
| 3.1 训练数据集预处理 | 第33-34页 |
| 3.2 基于CNN的人脸识别网络 | 第34-37页 |
| 3.2.1 网络结构 | 第34-36页 |
| 3.2.2 训练过程 | 第36-37页 |
| 3.3 人脸表情组合数据库 | 第37-38页 |
| 3.4 基于人脸转移特征的表情识别 | 第38-40页 |
| 3.5 改进模型 | 第40页 |
| 3.6 实验与分析 | 第40-47页 |
| 3.6.1 转移学习与经典方法对比 | 第41页 |
| 3.6.2 转移学习与直接深度学习对比 | 第41-43页 |
| 3.6.3 多分类SVM和神经网络对比 | 第43页 |
| 3.6.4 遮挡测试 | 第43-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 基于多任务的表情识别 | 第48-61页 |
| 4.1 训练数据集预处理 | 第48-49页 |
| 4.2 基于多任务的模型 | 第49-52页 |
| 4.2.1 模型结构 | 第50-52页 |
| 4.2.2 训练过程 | 第52页 |
| 4.3 基于多任务的表情识别转移学习 | 第52-54页 |
| 4.4 实验与分析 | 第54-60页 |
| 4.4.1 基于多任务的表情识别与经典方法对比 | 第55页 |
| 4.4.2 多任务与单任务对比 | 第55-58页 |
| 4.4.3 多分类SVM和神经网络 | 第58页 |
| 4.4.4 遮挡测试 | 第58-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 基于SRU机器人的人脸表情识别系统 | 第61-71页 |
| 5.1 Kinect捕获图像 | 第62-63页 |
| 5.1.1 Kinect | 第62页 |
| 5.1.2 捕获图像 | 第62-63页 |
| 5.2 人脸检测与跟踪 | 第63-65页 |
| 5.2.1 人脸检测 | 第63-64页 |
| 5.2.2 人脸管理 | 第64页 |
| 5.2.3 人脸跟踪 | 第64-65页 |
| 5.3 表情识别 | 第65-69页 |
| 5.3.1 预处理 | 第66页 |
| 5.3.2 转移特征提取 | 第66-68页 |
| 5.3.3 表情分类 | 第68-69页 |
| 5.4 人脸表情识别系统实现 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-81页 |
| 攻硕期间取得的研究成果 | 第81-82页 |
