| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 课题研究背景、内容和意义 | 第9-15页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 课题研究内容 | 第10-14页 |
| 1.1.3 课题研究意义 | 第14-15页 |
| 1.2 多角度人脸表情识别方法、难点及发展方向 | 第15-18页 |
| 1.2.1 多角度人脸表情识别方法 | 第15-17页 |
| 1.2.2 多角度人脸表情识别的难点 | 第17-18页 |
| 1.2.3 多角度人脸表情识别的发展方向 | 第18页 |
| 1.3 多角度表情数据库的分析 | 第18-20页 |
| 1.4 本文研究内容和组织结构 | 第20-23页 |
| 第2章 多角度的人脸表情形状特征提取 | 第23-37页 |
| 2.1 人脸表情形状特征分析 | 第23-29页 |
| 2.1.1 标准姿态下的人脸面部表情形状特征 | 第23-24页 |
| 2.1.2 标准姿态人脸表情的表征 | 第24页 |
| 2.1.3 标准姿态的面部表情表征实例 | 第24-26页 |
| 2.1.4 标准姿态AU表征实例 | 第26-29页 |
| 2.2 回归模型增量修正策略的多角度人脸表情特征提取方法 | 第29-32页 |
| 2.2.1 线性回归顺序级联 | 第29-31页 |
| 2.2.2 回归模型增量修正策略 | 第31页 |
| 2.2.3 回归模型增量修正策略算法 | 第31-32页 |
| 2.3 回归模型增量修正策略在多角度人脸表情特征提取中的应用 | 第32-36页 |
| 2.3.1 回归模型增量修正策略特征表示 | 第32-33页 |
| 2.3.2 LFPW数据库的多角度人脸表情形状特征提取实验对比 | 第33-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第3章 基于支持向量机的多角度人脸表情识别 | 第37-48页 |
| 3.1 引言 | 第37页 |
| 3.2 支持向量机的基本原理 | 第37-44页 |
| 3.2.1 线性支持向量机 | 第39-41页 |
| 3.2.2 非线性支持向量机 | 第41-43页 |
| 3.2.3 多分类支持向量机 | 第43-44页 |
| 3.3 基于支持向量机的多角度人脸表情识别实验 | 第44-47页 |
| 3.3.1 多角度人脸表情数据库样本集的选取 | 第44-45页 |
| 3.3.2 多角度人脸表情特征提取以及分类识别的结果 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 判别共享高斯过程隐变量模型 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 判别共享高斯过程隐变量模型 | 第48-55页 |
| 4.2.1 判别高斯过程隐变量模型 | 第48-50页 |
| 4.2.2 判别共享高斯过程隐变量模型 | 第50-52页 |
| 4.2.3 判别共享高斯过程隐变量模型对样本的学习与测试 | 第52-54页 |
| 4.2.4 判别共享高斯过程隐变量模型的具体算法流程 | 第54-55页 |
| 4.3 基于判别共享高斯过程隐变量模型的多角度人脸表情识别方法 | 第55-56页 |
| 4.3.1 LFPW数据库下样本集的选取 | 第55-56页 |
| 4.3.2 LFPW数据库下形状特征提取和分类识别 | 第56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 基于回归模型增量修正策略和DS-GPLVM的多角度人脸表情识别 | 第58-68页 |
| 5.1 CMU-PIE数据库下回归模型增量修正策略特征的提取设计 | 第58-60页 |
| 5.1.1 CMU-PIE数据库下样本集的选取 | 第58-60页 |
| 5.1.2 CMU-PIE数据库下的人脸表情特征提取 | 第60页 |
| 5.2 主成分分析(PCA)降维 | 第60-64页 |
| 5.2.1 将高维样本降到0维的情况 | 第60-61页 |
| 5.2.2 将高维样本降到1维的情况 | 第61-64页 |
| 5.2.3 将高维样本降到d '维的情况 | 第64页 |
| 5.3 判别共享高斯过程隐变量模型识别 | 第64-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第6章 结论和展望 | 第68-71页 |
| 6.1 结论 | 第68-69页 |
| 6.2 进一步工作的方向 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间的研究成果 | 第76页 |
