| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.2.1 国内外研究现状 | 第11-12页 |
| 1.2.2 主要存在的问题 | 第12-13页 |
| 1.3 本文的内容以及章节安排 | 第13-15页 |
| 1.3.1 本文的研究内容 | 第13页 |
| 1.3.2 本文的组织结构 | 第13-15页 |
| 第2章 相关技术基础理论 | 第15-27页 |
| 2.1 情感描述模型 | 第15-16页 |
| 2.2 特征选取和描述 | 第16-17页 |
| 2.2.1 低层特征 | 第16-17页 |
| 2.2.2 深层特征 | 第17页 |
| 2.3 机器学习方法 | 第17-21页 |
| 2.3.1 K近邻模型模型 | 第17-18页 |
| 2.3.2 支持向量机模型 | 第18-20页 |
| 2.3.3 混合高斯模型 | 第20-21页 |
| 2.4 卷积神经网络 | 第21-26页 |
| 2.4.1 卷积神经网络模型 | 第21页 |
| 2.4.2 局部连接与权值共享 | 第21-22页 |
| 2.4.3 前向传播 | 第22-24页 |
| 2.4.4 反向传播 | 第24-26页 |
| 2.5 性能评价标准 | 第26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于主角使用卷积神经网络的视频情感内容分析 | 第27-45页 |
| 3.1 系统框架 | 第27-28页 |
| 3.2 音频和视觉特征选取 | 第28-29页 |
| 3.3 关键帧提取 | 第29-33页 |
| 3.3.1 基于颜色特征法 | 第30页 |
| 3.3.2 基于聚类的关键帧提取方法 | 第30-31页 |
| 3.3.3 基于人脸信息的关键帧筛选 | 第31-32页 |
| 3.3.4 基于主角信息的关键帧筛选 | 第32-33页 |
| 3.4 图像块获取 | 第33-34页 |
| 3.5 静态图像特征对比 | 第34-39页 |
| 3.5.1 HOG特征 | 第35-36页 |
| 3.5.2 CNN图像特征 | 第36-37页 |
| 3.5.3 改进的CNN图像特征 | 第37-38页 |
| 3.5.4 不同特征在情感分析中的表现 | 第38-39页 |
| 3.6 时间域特征提取 | 第39-42页 |
| 3.7 特征融合 | 第42-43页 |
| 3.8 特征映射 | 第43-44页 |
| 3.9 本章小结 | 第44-45页 |
| 第4章 实验结果与分析 | 第45-58页 |
| 4.1 对比方法介绍 | 第45页 |
| 4.2 实验环境 | 第45-46页 |
| 4.3 LIRIS-ACCEDE数据库上的实验结果 | 第46-52页 |
| 4.3.1 LIRIS-ACCEDE数据库介绍 | 第46-47页 |
| 4.3.2 情感表达中的人脸信息 | 第47-49页 |
| 4.3.3 CNN图像特征融合 | 第49页 |
| 4.3.4 情感分析中的主角信息 | 第49-51页 |
| 4.3.5 情感分析中的视频时间域信息 | 第51-52页 |
| 4.4 PMSZU数据库上的实验结果 | 第52-56页 |
| 4.4.1 PMSZU数据库介绍 | 第52-53页 |
| 4.4.2 CNN网络模型的重新训练 | 第53-55页 |
| 4.4.3 增加时间域信息的情感分析 | 第55-56页 |
| 4.5 实验总结与讨论 | 第56-57页 |
| 4.6 本章小结 | 第57-58页 |
| 第5章 总结和展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65-66页 |
| 攻读硕士学位期间的研究成果 | 第66页 |