| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 人脸微表情识别国内外研究现状 | 第11-16页 |
| 1.2.1 人脸检测的方法 | 第13-14页 |
| 1.2.2 人脸特征提取的方法 | 第14-15页 |
| 1.2.3 人脸微表情分类的主要方法 | 第15-16页 |
| 1.3 深度学习的基本理论 | 第16-17页 |
| 1.3.1 深度学习简介及发展 | 第16-17页 |
| 1.3.2 深度学习的基本思想 | 第17页 |
| 1.4 论文的主要内容及各个章节的安排 | 第17-19页 |
| 第2章 视频人脸微表情数据库的建立 | 第19-25页 |
| 2.1 表情库的建立 | 第19-21页 |
| 2.1.1 现有的视频人脸表情库 | 第19-20页 |
| 2.1.2 视频人脸表情数据整合 | 第20-21页 |
| 2.2 微表情图像的预处理 | 第21-23页 |
| 2.2.1 增大样本数据量 | 第21-22页 |
| 2.2.2 图像归一化 | 第22-23页 |
| 2.3 微表情识别的难点 | 第23页 |
| 2.4 本章小结 | 第23-25页 |
| 第3章 基于卷积网络的视频人脸微表情识别 | 第25-47页 |
| 3.1 卷积神经网络基本理论 | 第25-30页 |
| 3.1.1 卷积神经网络的结构 | 第26-28页 |
| 3.1.2 卷积神经网络的优点 | 第28-29页 |
| 3.1.3 卷积神经网络的训练过程 | 第29-30页 |
| 3.2 典型的卷积神经网络 | 第30-38页 |
| 3.2.1 ALexnet网络 | 第30-33页 |
| 3.2.2 VGG网络 | 第33-35页 |
| 3.2.3 GoogLeNet网络 | 第35-38页 |
| 3.3 基于卷积神经网络的微表情识别 | 第38-46页 |
| 3.3.1 微表情识别的网络结构及实验原理 | 第38-39页 |
| 3.3.2 实验的架构及配置 | 第39-42页 |
| 3.3.3 实验过程及结果 | 第42-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 基于CNN-LSTM的视频人脸微表情识别 | 第47-59页 |
| 4.1 递归神经网络的基本理论 | 第48-54页 |
| 4.1.1 递归神经网络的简介 | 第48-49页 |
| 4.1.2 递归神经网络的结构及训练 | 第49-50页 |
| 4.1.3 递归神经网络的改进算法-LSTM | 第50-51页 |
| 4.1.4 LSTM的网络结构 | 第51-54页 |
| 4.2 基于CNN-LSTM网络的微表情识别 | 第54-57页 |
| 4.2.1 CNN-LSTM网络的结构及实验原理 | 第54-55页 |
| 4.2.2 实验架构及配置 | 第55-56页 |
| 4.2.3 实验过程设计 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第5章 实验结果及分析 | 第59-69页 |
| 5.1 基于最近邻方法微表情识别的实验结果 | 第59-60页 |
| 5.2 基于CNN网络的视频人脸微表情实验结果 | 第60-62页 |
| 5.2.1 不同CNN结构的实验结果与分析 | 第60-61页 |
| 5.2.2 不同的迭代次数对识别效果的影响 | 第61-62页 |
| 5.3 基于CNN-LSTM网络的视频人脸微表情实验 | 第62-67页 |
| 5.3.1 不同CNN-LSTM网络结构对比结果分析 | 第62-63页 |
| 5.3.2 LSTM参数对识别效果的影响 | 第63-64页 |
| 5.3.3 序列大小对结果的影响 | 第64页 |
| 5.3.4 CNN-LSTM网络实验可视化设计 | 第64-67页 |
| 5.4 本章小结 | 第67-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第77-79页 |
| 致谢 | 第79页 |