基于深度学习的人脸表情识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 相关进展 | 第11-13页 |
| 1.2.2 目前存在难点 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.3.1 基于静态图像的人脸表情识别 | 第14-15页 |
| 1.3.2 基于视频序列的人脸表情识别 | 第15页 |
| 1.4 章节安排 | 第15-18页 |
| 第2章 人脸表情识别相关技术综述 | 第18-32页 |
| 2.1 人脸检测方法 | 第18-23页 |
| 2.1.1 基于传统方法的人脸检测 | 第19-20页 |
| 2.1.2 基于深度学习的人脸检测方法 | 第20-23页 |
| 2.2 人脸对齐方法综述 | 第23-26页 |
| 2.2.1 基于线性回归的方法 | 第24-25页 |
| 2.2.2 基于非线性回归的方法 | 第25-26页 |
| 2.3 人脸表情特征提取方法 | 第26-27页 |
| 2.3.1 Haar特征 | 第26-27页 |
| 2.3.2 LBP特征 | 第27页 |
| 2.4 人脸表情识别方法综述 | 第27-30页 |
| 2.4.1 贝叶斯分类算法 | 第27-28页 |
| 2.4.2 SVM算法 | 第28-30页 |
| 2.4.3 AdaBoost | 第30页 |
| 2.5 本章总结 | 第30-32页 |
| 第3章 基于静态图像的人脸表情识别 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 基于图像的人脸表情识别模型 | 第32-42页 |
| 3.2.1 网络结构 | 第32-36页 |
| 3.2.2 损失函数 | 第36-40页 |
| 3.2.3 神经网络的训练 | 第40-42页 |
| 3.3 实验结果分析 | 第42-45页 |
| 3.3.1 人脸表情数据集 | 第42页 |
| 3.3.2 训练参数设置 | 第42-43页 |
| 3.3.3 实验结果对比 | 第43-44页 |
| 3.3.4 特征可视化 | 第44-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于视频序列的人脸表情识别 | 第46-58页 |
| 4.1 引言 | 第46-47页 |
| 4.2 循环神经网络 | 第47-49页 |
| 4.2.1 循环神经网络RNN | 第47-48页 |
| 4.2.2 长短时记忆单元LSTM | 第48-49页 |
| 4.2.3 双向循环神经网络BRNN | 第49页 |
| 4.3 基于视频序列的人脸表情识别模型 | 第49-52页 |
| 4.3.1 PHRNN模型 | 第49-52页 |
| 4.3.2 模型融合 | 第52页 |
| 4.4 实验结果及分析 | 第52-56页 |
| 4.4.1 数据集 | 第52-53页 |
| 4.4.2 网络训练与参数设置 | 第53页 |
| 4.4.3 PHRNN结构对比实验 | 第53-54页 |
| 4.4.4 模型融合实验 | 第54-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |
