| 第一章 绪论 | 第1-19页 |
| 1．1 研究目的及意义 | 第7-9页 |
| 1．2 脸部表情的分类及特点 | 第9-13页 |
| 1．3 计算机领域的相关研究 | 第13-17页 |
| 1．4 本文的主要研究内容 | 第17-18页 |
| 1．5 章节安排 | 第18-19页 |
| 第二章 人脸检测 | 第19-33页 |
| 2．1 概述 | 第19-20页 |
| 2．2 肤色滤波 | 第20-22页 |
| 2．3 特征提取 | 第22-23页 |
| 2．4 基于支持向量机的人脸检测 | 第23-27页 |
| 2．4．1 支持向量机(SVM) | 第23-26页 |
| 2．4．2 基于支持向量机的人脸检测 | 第26-27页 |
| 2．5 基于改进DT(Decision Template)算法的人脸检测 | 第27-30页 |
| 2．5．1 基于DT算法的分类器融合 | 第27-29页 |
| 2．5．2 改进的融合算法 | 第29-30页 |
| 2．5．3 基于改进DT算法的人脸检测 | 第30页 |
| 2．6 实验结果 | 第30-33页 |
| 第三章 人脸跟踪 | 第33-43页 |
| 3．1 概述 | 第33-34页 |
| 3．2 标准的粒子滤波器算法 | 第34-37页 |
| 3．2．1 一般的目标跟踪问题 | 第35-36页 |
| 3．2．2 粒子滤波器算法 | 第36-37页 |
| 3．3 遗传粒子滤波器 | 第37-38页 |
| 3．4 基于遗传粒子滤波器的人脸跟踪 | 第38-40页 |
| 3．4．1 状态转移先验密度和观测密度 | 第38-39页 |
| 3．4．2 基于遗传粒子滤波器的人脸跟踪 | 第39-40页 |
| 3．5 实验 | 第40-43页 |
| 第四章 表情特征提取 | 第43-54页 |
| 4．1 概述 | 第43-47页 |
| 4．2 Gabor函数与Gabor小波 | 第47-49页 |
| 4．2．1 Gabor函数 | 第47-48页 |
| 4．2．2 2D Gabor小波 | 第48-49页 |
| 4．3 Gabor小波特征的提取 | 第49-51页 |
| 4．3．1 Gabor小波变换系数 | 第49-50页 |
| 4．3．2 Gabor滤波器的参数选取问题 | 第50页 |
| 4．3．3 特征提取 | 第50-51页 |
| 4．4 基于 KL变换的特征选取 | 第51-54页 |
| 第五章 脸部表情的识别 | 第54-62页 |
| 5．1 概述 | 第54-55页 |
| 5．2 基于编码支持向量机的多分类 | 第55-57页 |
| 5．3 基于半监督模糊C均值的聚类算法 | 第57-58页 |
| 5．4 基于编码支持向量机和半监督模糊C均值算法的表情识别 | 第58-59页 |
| 5．5 实验结果 | 第59-62页 |
| 第六章 结论与展望 | 第62-64页 |
| 6．1 本文工作总结 | 第62页 |
| 6．2 未来工作的展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间的主要研究成果 | 第70页 |