| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 课题研究的背景和意义 | 第10-12页 |
| 1.2 面部表情识别研究现状及挑战 | 第12-21页 |
| 1.2.1 面部表情数据库 | 第13-14页 |
| 1.2.2 面部表情特征提取 | 第14-16页 |
| 1.2.3 面部表情识别国内外研究现状 | 第16-20页 |
| 1.2.4 面部表情识别面临的挑战 | 第20-21页 |
| 1.3 本文研究内容和具体工作 | 第21-22页 |
| 1.4 章节安排 | 第22-24页 |
| 第二章 迁移学习及其在跨库情感识别中的应用 | 第24-35页 |
| 2.1 迁移学习 | 第24-27页 |
| 2.1.1 迁移学习定义和分类 | 第24-25页 |
| 2.1.2 领域自适应处理方法 | 第25-27页 |
| 2.2 跨库情感识别 | 第27-34页 |
| 2.2.1 跨库面部表情识别 | 第27-28页 |
| 2.2.2 跨库语音情感识别 | 第28-33页 |
| 2.2.3 跨库脑电情感识别 | 第33-34页 |
| 2.3 本章总结 | 第34-35页 |
| 第三章 基于关键帧序列的动态面部表情识别 | 第35-52页 |
| 3.1 表情数据库人脸分割方法 | 第37-39页 |
| 3.2 基于阈值的关键帧提取方法研究 | 第39-43页 |
| 3.2.1 关键帧提取 | 第39-41页 |
| 3.2.2 面部表情特征提取 | 第41-43页 |
| 3.3 实验描述与结果分析 | 第43-51页 |
| 3.3.1 数据库及实验协议 | 第43-45页 |
| 3.3.2 实验结果及分析 | 第45页 |
| 3.3.3 固定尺寸网格空时描述子特征识别率比较 | 第45-50页 |
| 3.3.4 交叉验证与特征提取时间对比 | 第50-51页 |
| 3.4 本章总结 | 第51-52页 |
| 第四章 基于领域自适应子空间学习的跨库面部表情识别 | 第52-70页 |
| 4.1 基于领域自适应子空间学习的面部表情识别方法研究 | 第52-56页 |
| 4.1.1 整体框图和基本思想 | 第52-53页 |
| 4.1.2 领域自适应子空间学习模型构建 | 第53-54页 |
| 4.1.3 领域自适应子空间学习模型优化 | 第54-56页 |
| 4.1.4 面部表情标签预测 | 第56页 |
| 4.2 实验描述及结果对比分析 | 第56-69页 |
| 4.2.1 面部表情数据库和实验方案 | 第56-59页 |
| 4.2.2 对比方法及参数设置 | 第59-60页 |
| 4.2.3 实验结果及分析 | 第60-64页 |
| 4.2.4 数据库样本及类别不平衡问题进一步分析 | 第64-69页 |
| 4.3 本章总结 | 第69-70页 |
| 第五章 基于超宽回归网络的无监督跨库面部表情识别 | 第70-89页 |
| 5.1 基于超宽回归网络面部表情识别方法研究 | 第70-74页 |
| 5.1.1 线性回归 | 第71-73页 |
| 5.1.2 超宽回归网络模型构建 | 第73-74页 |
| 5.2 实验结果及分析 | 第74-88页 |
| 5.2.1 数据准备和试验方案 | 第74页 |
| 5.2.2 超宽回归网络稳定性分析 | 第74-76页 |
| 5.2.3 不同参数设置特征的实验结果和讨论 | 第76-88页 |
| 5.3 本章总结 | 第88-89页 |
| 第六章 基于卷积神经网络的无监督跨库面部表情识别 | 第89-98页 |
| 6.1 基于深度自适应回归网络面部表情识别方法研究 | 第90-94页 |
| 6.1.1 VGG16 网络模型 | 第90-92页 |
| 6.1.2 深度自适应回归网络框图 | 第92-93页 |
| 6.1.3 深度自适应回归网络模型的构建 | 第93-94页 |
| 6.2 实验描述及分析 | 第94-97页 |
| 6.2.1 实验设置 | 第94-95页 |
| 6.2.2 结果及讨论 | 第95-97页 |
| 6.3 本章总结 | 第97-98页 |
| 第七章 工作总结与展望 | 第98-100页 |
| 7.1 工作总结 | 第98-99页 |
| 7.2 工作展望 | 第99-100页 |
| 参考文献 | 第100-109页 |
| 发表论文和参加科研情况说明 | 第109-110页 |
| 致谢 | 第110页 |
