| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 人脸表情识别技术研究现状 | 第14-17页 |
| 1.2.2 深度学习技术研究现状 | 第17-19页 |
| 1.3 本文研究目的与研究内容 | 第19-20页 |
| 1.3.1 研究目的 | 第19页 |
| 1.3.2 研究内容 | 第19-20页 |
| 1.3.3 课题来源 | 第20页 |
| 1.4 本文的组织结构 | 第20-22页 |
| 第2章 相关理论与技术 | 第22-30页 |
| 2.1 表情图像预处理技术 | 第22-23页 |
| 2.2 表情特征提取技术 | 第23-26页 |
| 2.2.1 常用的静态图像特征提取 | 第24-25页 |
| 2.2.2 常用的动态图像特征提取 | 第25-26页 |
| 2.3 相关分类技术 | 第26-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 面向情感分析的人脸表情识别系统概述 | 第30-34页 |
| 3.1 面向情感分析的人脸表情识别系统框架 | 第30-31页 |
| 3.2 面向情感分析的人脸表情识别方法 | 第31-33页 |
| 3.2.1 图像预处理 | 第31页 |
| 3.2.2 人脸表情图像特征提取 | 第31-32页 |
| 3.2.3 面向情感分析的人脸表情图像分类 | 第32-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于HOG特征和深度置信网络的人脸表情特征提取 | 第34-68页 |
| 4.1 问题的提出 | 第34-35页 |
| 4.2 图像预处理 | 第35-38页 |
| 4.2.1 人脸检测 | 第35-36页 |
| 4.2.2 图像裁剪 | 第36页 |
| 4.2.3 灰度归一化 | 第36-38页 |
| 4.3 基于HOG特征的表情图像特征提取 | 第38-42页 |
| 4.3.1 HOG特征提取 | 第38-41页 |
| 4.3.2 HOG特征提取的相关参数 | 第41-42页 |
| 4.4 基于深度置信网络的人脸表情特征提取 | 第42-61页 |
| 4.4.1 受限玻尔兹曼机的基本模型 | 第43-45页 |
| 4.4.2 深度置信网络的基本模型 | 第45-46页 |
| 4.4.3 提取表情图像的AutoEncoder特征 | 第46-58页 |
| 4.4.4 提取表情图像的Sparse AutoEncoder特征 | 第58-61页 |
| 4.5 实验结果与分析 | 第61-67页 |
| 4.5.1 实验数据 | 第61-62页 |
| 4.5.2 实验设计 | 第62-63页 |
| 4.5.3 实验环境 | 第63-64页 |
| 4.5.4 DBN的训练参数选取 | 第64-65页 |
| 4.5.5 特征提取效果的实验对比 | 第65-67页 |
| 4.6 本章小结 | 第67-68页 |
| 第5章 面向情感分析的人脸表情分类方法 | 第68-76页 |
| 5.1 问题提出 | 第68页 |
| 5.2 支持向量机 | 第68-69页 |
| 5.3 基于SVM的人脸表情分类器 | 第69-72页 |
| 5.4 实验结果与分析 | 第72-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第6章 原型系统设计与实现 | 第76-82页 |
| 6.1 系统的设计及功能 | 第76-78页 |
| 6.1.1 图像预处理 | 第76-77页 |
| 6.1.2 表情特征提取 | 第77页 |
| 6.1.3 表情分类 | 第77-78页 |
| 6.2 系统的实现及结果展示 | 第78-80页 |
| 6.3 本章小结 | 第80-82页 |
| 第7章 总结及未来工作 | 第82-84页 |
| 7.1 总结 | 第82-83页 |
| 7.2 未来工作 | 第83-84页 |
| 参考文献 | 第84-90页 |
| 致谢 | 第90-92页 |
| 攻硕期间参与项目及获奖情况 | 第92页 |
