| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-32页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-26页 |
| 1.2.1 表情特征提取方法综述 | 第15-23页 |
| 1.2.2 表情分类方法综述 | 第23-26页 |
| 1.2.3 人脸表情数据库 | 第26页 |
| 1.3 人脸表情识别研究中的难点 | 第26-28页 |
| 1.4 论文的主要工作与章节安排 | 第28-32页 |
| 1.4.1 论文的主要工作 | 第28-30页 |
| 1.4.2 论文章节安排 | 第30-32页 |
| 2 基于稀疏表示的分类方法 | 第32-52页 |
| 2.1 稀疏表示理论基础 | 第32-39页 |
| 2.1.1 稀疏表示的神经生理学基础 | 第32-35页 |
| 2.1.2 压缩感知理论 | 第35-39页 |
| 2.2 基于稀疏表示理论的分类 | 第39-51页 |
| 2.2.1 图像的稀疏表示 | 第39-42页 |
| 2.2.2 常用的稀疏重构算法 | 第42-48页 |
| 2.2.3 基于稀疏表示理论的分类 | 第48-51页 |
| 2.3 本章小结 | 第51-52页 |
| 3 增强稀疏性的稀疏表示分类算法 | 第52-84页 |
3.1 基于l_P范数(0| 第53-74页 | |
| 3.1.1 一种迭代加权算法 | 第53-55页 |
3.1.2 基于l_p范数(0| 第55-57页 | |
| 3.1.3 实验结果与分析 | 第57-73页 |
| 3.1.4 讨论 | 第73-74页 |
| 3.2 基于相似度加权的稀疏表示分类算法 | 第74-82页 |
| 3.2.1 基于相似度加权的稀疏表示分类算法 | 第74-77页 |
| 3.2.2 实验结果与分析 | 第77-82页 |
| 3.3 本章小结 | 第82-84页 |
| 4 特征融合空间的稀疏表示分类算法 | 第84-104页 |
| 4.1 典型相关分析 | 第85-88页 |
| 4.1.1 典型相关分析 | 第85-86页 |
| 4.1.2 核典型相关分析(KCCA) | 第86-88页 |
| 4.2 监督的典型相关分析(SCCA) | 第88-90页 |
| 4.3 谱监督的典型相关分析(SSCCA) | 第90-95页 |
| 4.3.1 谱聚类算法 | 第90-91页 |
| 4.3.2 SSCCA算法的求解 | 第91-94页 |
| 4.3.3 统一的典型相关分析算法框架 | 第94-95页 |
| 4.4 实验结果与分析 | 第95-102页 |
| 4.5 本章小结 | 第102-104页 |
| 5 融合相关熵的稀疏表示分类算法 | 第104-118页 |
| 5.1 相关熵准则 | 第104-106页 |
| 5.2 基于融合相关熵的稀疏表示分类算法(FCSRC) | 第106-115页 |
| 5.2.1 算法描述 | 第106-108页 |
| 5.2.2 实验结果与分析 | 第108-115页 |
| 5.3 本章小结 | 第115-118页 |
| 6 结论 | 第118-120页 |
| 6.1 论文工作总结 | 第118-119页 |
| 6.2 未来工作展望 | 第119-120页 |
| 参考文献 | 第120-132页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第132-136页 |
| 学位论文数据集 | 第136页 |