| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-19页 |
| 1.1 课题来源与研究意义 | 第7-8页 |
| 1.2 人脸表情识别的国内外研究背景与现状 | 第8-10页 |
| 1.2.1 研究背景 | 第8-9页 |
| 1.2.2 国内外的研究现状 | 第9-10页 |
| 1.3 人脸表情识别概述 | 第10-16页 |
| 1.3.1 表情识别一般流程 | 第10-11页 |
| 1.3.2 特征提取方法简述 | 第11-14页 |
| 1.3.3 分类方法简述 | 第14-16页 |
| 1.4 本文的主要工作及结构安排 | 第16-19页 |
| 第2章 基于LBP的脸部表情特征提取 | 第19-27页 |
| 2.1 LBP算法原理 | 第19-22页 |
| 2.1.1 基本LBP算法 | 第19-20页 |
| 2.1.2 统一模式的LBP | 第20-21页 |
| 2.1.3 旋转不变的LBP | 第21-22页 |
| 2.1.4 旋转不变的图片灰度对比模式 | 第22页 |
| 2.2 传统LBP特征提取方法 | 第22-23页 |
| 2.3 改进的LBP表情特征提取方法 | 第23-26页 |
| 2.3.1 人脸表情区域的划分 | 第24-25页 |
| 2.3.2 各区域LBP特征的处理与融合 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 基于线性分类器的人脸表情识别 | 第27-38页 |
| 3.1 K邻近分类（K-NN）与支持向量机（SVM） | 第27-32页 |
| 3.1.1 k邻近分类（k-NN）原理与多分类 | 第27-28页 |
| 3.1.2 支持向量机（SVM）原理 | 第28-30页 |
| 3.1.3 SVM的多分类 | 第30-32页 |
| 3.2 改进LBP表情特征提取算法在线性分类器下的识别研究 | 第32-36页 |
| 3.2.1 JAFFE数据库与样本集选取 | 第32-33页 |
| 3.2.2 线性分类器的最优参数选择 | 第33-34页 |
| 3.2.3 实验结果与分析 | 第34-36页 |
| 3.3 本章小结 | 第36-38页 |
| 第4章 深度学习及其模型 | 第38-49页 |
| 4.1 深度学习理论 | 第38-43页 |
| 4.1.1 深度学习的发展 | 第38-39页 |
| 4.1.2 深度学习网络的分层思想 | 第39-40页 |
| 4.1.3 深度学习常用模型 | 第40-43页 |
| 4.2 深度信念网络 | 第43-48页 |
| 4.2.1 受限玻尔兹曼机 | 第43-45页 |
| 4.2.2 受限玻尔兹曼机的训练过程 | 第45-46页 |
| 4.2.3 基于受限玻尔兹曼机的深度学习结构 | 第46-48页 |
| 4.3 本章小结 | 第48-49页 |
| 第5章 基于深度信念网络与LBP/VAR的人脸表情识别 | 第49-61页 |
| 5.1 CK+数据库下LBP/VAR特征的提取设计 | 第49-52页 |
| 5.1.1 基于改进LBP/VAR特征的预处理 | 第49-50页 |
| 5.1.2 CK+数据下LBP/VAR的实验样本集 | 第50-52页 |
| 5.2 深度信念网络下人脸表情识别 | 第52-60页 |
| 5.2.1 DBN网络构结参数寻优 | 第52-54页 |
| 5.2.2 参数寻优结果与网络深度确定 | 第54-58页 |
| 5.2.3 基于DBN表情识别实验的结果与对比分析 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第6章 结论与展望 | 第61-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读学位期间的研究成果 | 第67页 |
