机器人表情识别与模拟研究
| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 表情机器人研究现状 | 第12-14页 |
| 1.2.2 表情识别算法研究现状 | 第14-15页 |
| 1.3 本文的研究内容和章节安排 | 第15-18页 |
| 1.3.1 主要研究内容 | 第15-16页 |
| 1.3.2 本文章节安排 | 第16-18页 |
| 第2章 人脸区域提取 | 第18-33页 |
| 2.1 人脸表情数据库 | 第18-20页 |
| 2.2 人脸检测与定位 | 第20-23页 |
| 2.2.1 Haar-like特征 | 第20-22页 |
| 2.2.2 Adaboost算法与级联分类器 | 第22-23页 |
| 2.3 实时人脸区域提取 | 第23-28页 |
| 2.3.1 基于肤色检测的人脸区域预搜索 | 第23-26页 |
| 2.3.2 基于模板匹配的人脸追踪 | 第26-27页 |
| 2.3.3 实时人脸区域提取算法实现 | 第27-28页 |
| 2.4 图像预处理 | 第28-30页 |
| 2.4.1 图像灰度化 | 第28-29页 |
| 2.4.2 直方图均衡化 | 第29-30页 |
| 2.5 实验结果及分析 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于特征融合的人脸表情识别 | 第33-77页 |
| 3.1 人脸表情特征 | 第33-36页 |
| 3.2 基于SIFT特征的人脸表情识别 | 第36-55页 |
| 3.2.1 SIFT特征提取方法 | 第36-45页 |
| 3.2.2 K均值聚类算法与词袋模型 | 第45-47页 |
| 3.2.3 支持向量机算法 | 第47-54页 |
| 3.2.4 密集SIFT特征提取方法 | 第54-55页 |
| 3.3 基于特征融合的人脸表情识别 | 第55-66页 |
| 3.3.1 人脸特征点定位方法 | 第55-60页 |
| 3.3.2 融合CLM的SIFT特征提取方法 | 第60-62页 |
| 3.3.3 基于加权的局部区域融合方法 | 第62-65页 |
| 3.3.4 基于特征融合的人脸表情识别算法实现 | 第65-66页 |
| 3.4 实验结果及分析 | 第66-75页 |
| 3.4.1 支持向量机参数的影响 | 第66-68页 |
| 3.4.2 不同方法的比较 | 第68-73页 |
| 3.4.3 实验室环境下人脸表情识别实验 | 第73-75页 |
| 3.5 本章小结 | 第75-77页 |
| 第4 表情机器人头部运动模拟 | 第77-102页 |
| 4.1 表情机器人头部结构 | 第77-86页 |
| 4.1.1 面部表情编码系统 | 第77-79页 |
| 4.1.2 头部运动模拟机构设计 | 第79-86页 |
| 4.2 基于人脸特征点的表情模拟 | 第86-94页 |
| 4.2.1 人脸特征点偏移计算 | 第86-88页 |
| 4.2.2 头部姿态还原 | 第88-94页 |
| 4.3 实验结果及分析 | 第94-100页 |
| 4.4 本章小结 | 第100-102页 |
| 第5章 总结与展望 | 第102-104页 |
| 5.1 本文总结 | 第102-103页 |
| 5.2 研究展望 | 第103-104页 |
| 参考文献 | 第104-110页 |
