| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 研究现状及研究趋势 | 第10-13页 |
| 1.2.1 传统人脸表情识别方法 | 第11-12页 |
| 1.2.2 基于深度学习的人脸表情识别方法 | 第12-13页 |
| 1.3 主要的人脸表情数据库 | 第13-14页 |
| 1.4 本文的章节安排 | 第14-15页 |
| 第二章 卷积神经网络 | 第15-22页 |
| 2.1 人工神经网络 | 第15-17页 |
| 2.1.1 感知机模型 | 第15-16页 |
| 2.1.2 人工神经网络结构 | 第16-17页 |
| 2.2 激活函数 | 第17-20页 |
| 2.2.1 sigmoid函数和tanh函数 | 第17-18页 |
| 2.2.2 ReLU函数 | 第18-20页 |
| 2.3 卷积神经网络(CNN)模型 | 第20-21页 |
| 2.3.1 卷积层 | 第20-21页 |
| 2.3.2 池化层 | 第21页 |
| 2.3.3 全连接层 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 结合LBP的CNN表情识别算法 | 第22-37页 |
| 3.1 基于CNN的表情识别原理 | 第22-30页 |
| 3.1.1 图像预处理 | 第22-26页 |
| 3.1.2 特征提取 | 第26-29页 |
| 3.1.3 表情识别 | 第29-30页 |
| 3.2 结合LBP的CNN表情识别算法的提出 | 第30-33页 |
| 3.2.1 基于CNN表情识别方法的缺陷 | 第30页 |
| 3.2.2 结合LBP的CNN表情识别原理 | 第30-32页 |
| 3.2.3 结合LBP的CNN表情识别方法的实现步骤 | 第32-33页 |
| 3.3 结合LBP的CNN表情识别方法的优势分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 改进的动态自适应池化算法 | 第37-47页 |
| 4.1 常用池化算法 | 第37-39页 |
| 4.2 常用池化算法的缺陷 | 第39-40页 |
| 4.3 动态自适应池化算法的提出 | 第40-44页 |
| 4.3.1 动态自适应池化算法的原理 | 第40-41页 |
| 4.3.2 动态自适应池化算法的核心技术 | 第41-44页 |
| 4.4 动态自适应池化算法的实现步骤 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 实验仿真结果与分析比较 | 第47-58页 |
| 5.1 基于CNN的表情识别结构设计 | 第47-50页 |
| 5.2 基于CNN的表情识别分析 | 第50-51页 |
| 5.3 结合LBP的CNN表情识别分析 | 第51-53页 |
| 5.3.1 识别准确率分析 | 第51-52页 |
| 5.3.2 训练效果分析 | 第52-53页 |
| 5.3.3 算法的适用性分析 | 第53页 |
| 5.4 基于动态自适应池化算法的表情识别分析 | 第53-57页 |
| 5.4.1 可行性分析 | 第53-56页 |
| 5.4.2 识别准确率分析 | 第56页 |
| 5.4.3 算法的适用性分析 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第62-63页 |
| 致谢 | 第63页 |