| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第二章 人脸表情识别相关理论与方法 | 第16-28页 |
| 2.1 面部表情识别方法流程 | 第16页 |
| 2.2 人脸检测方法 | 第16-18页 |
| 2.2.1 基于统计理论的人脸检测定位方法 | 第17页 |
| 2.2.2 基于先验知识的人脸检测定位方法 | 第17-18页 |
| 2.3 人脸图像预处理 | 第18页 |
| 2.4 人脸表情特征提取 | 第18-21页 |
| 2.4.1 几何结构特征提取 | 第18-19页 |
| 2.4.2 图像局部区域特征提取 | 第19-20页 |
| 2.4.3 图像频率特征提取 | 第20页 |
| 2.4.4 运动像素特征提取 | 第20页 |
| 2.4.5 面部编码系统特征提取 | 第20-21页 |
| 2.5 人脸表情常用分类器 | 第21-27页 |
| 2.5.1 K近邻(K-NearestNeighbor) | 第21-22页 |
| 2.5.2 决策树 | 第22-23页 |
| 2.5.3 随机森林 | 第23-24页 |
| 2.5.4 支持向量机(SVM) | 第24-25页 |
| 2.5.5 贝叶斯 | 第25-26页 |
| 2.5.6 神经网络 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 结合像素模式与特征点模式的实时表情识别方法 | 第28-46页 |
| 3.1 结合像素模式和特征点模式的表情识别方法流程 | 第28-29页 |
| 3.2 Kinect人脸图像检测 | 第29页 |
| 3.3 人脸图像倾斜校正 | 第29-30页 |
| 3.4 人脸图像灰度直方图均衡化 | 第30-31页 |
| 3.5 像素模式表情特征提取 | 第31-37页 |
| 3.5.1 LBP特征 | 第31-33页 |
| 3.5.2 HOG特征 | 第33-36页 |
| 3.5.3 Gabor特征 | 第36-37页 |
| 3.6 特征点模式表情特征提取 | 第37-40页 |
| 3.6.1 特征点角度特征提取 | 第37-39页 |
| 3.6.2 特征点距离特征提取 | 第39页 |
| 3.6.3 人脸平面法向量特征提取 | 第39-40页 |
| 3.7 随机森林分类算法 | 第40-43页 |
| 3.7.1 决策树生成算法 | 第40-42页 |
| 3.7.2 随机森林 | 第42-43页 |
| 3.8 表情分类 | 第43-45页 |
| 3.9 本章小结 | 第45-46页 |
| 第四章 实验结果与分析 | 第46-62页 |
| 4.1 人脸表情数据采集 | 第46-47页 |
| 4.2 表情特征提取 | 第47-50页 |
| 4.2.1 2D像素特征提取 | 第47-49页 |
| 4.2.2 3D特征点特征提取 | 第49-50页 |
| 4.3 3D人脸表情数据集 | 第50-51页 |
| 4.4 表情识别流程设计 | 第51-53页 |
| 4.5 实验环境与参数设置 | 第53页 |
| 4.6 实验结果对比分析 | 第53-58页 |
| 4.6.1 PM特征和FPM特征表情识别结果分析 | 第53-56页 |
| 4.6.2 结合PM特征和FPM特征的表情识别结果分析 | 第56-58页 |
| 4.7 算法实时性分析 | 第58-60页 |
| 4.8 本章小结 | 第60-62页 |
| 总结与展望 | 第62-64页 |
| 参考文献 | 第64-71页 |
| 攻读学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
