| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.2 微表情识别研究现状 | 第10-12页 |
| 1.3 主要研究内容 | 第12页 |
| 1.4 论文结构安排 | 第12-14页 |
| 第二章 经典微表情识别技术与数据集介绍 | 第14-28页 |
| 2.1 微表情识别基本步骤 | 第14-24页 |
| 2.1.1 图像预处理 | 第14-18页 |
| 2.1.2 微表情检测及特征提取 | 第18-22页 |
| 2.1.3 微表情分类 | 第22-24页 |
| 2.2 微表情数据集介绍 | 第24-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于深度时空特征融合的微表情识别方法 | 第28-40页 |
| 3.1 深度学习 | 第28-29页 |
| 3.2 卷积神经网络介绍 | 第29-32页 |
| 3.3 深度时空特征融合模型 | 第32-36页 |
| 3.3.1 预处理 | 第32-33页 |
| 3.3.2 时间空间特征提取 | 第33-34页 |
| 3.3.3 时空特征融合 | 第34-35页 |
| 3.3.4 微表情预测分类 | 第35-36页 |
| 3.4 实验结果与分析 | 第36-39页 |
| 3.4.1 实验设置 | 第36-37页 |
| 3.4.2 结果与分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于残差网络和长短时记忆网络的微表情识别方法 | 第40-54页 |
| 4.1 相关技术 | 第40-46页 |
| 4.1.1 局部感知野和权值共享 | 第40-41页 |
| 4.1.2 残差网络 | 第41-42页 |
| 4.1.3 长短时记忆网络 | 第42-45页 |
| 4.1.4 迁移学习 | 第45-46页 |
| 4.2 基于ResNet-LSTM的微表情识别模型 | 第46-50页 |
| 4.2.1 图像预处理 | 第46-48页 |
| 4.2.2 空间学习 | 第48-50页 |
| 4.2.3 时序学习 | 第50页 |
| 4.3 实验结果与分析 | 第50-53页 |
| 4.3.1 实验设置 | 第50-52页 |
| 4.3.2 结果与分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 攻读硕士学位期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |