| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景和研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 微表情研究现状 | 第12-14页 |
| 1.2.2 深度学习研究现状 | 第14页 |
| 1.3 论文的主要内容及结构安排 | 第14-17页 |
| 第二章 常用微表情识别算法与数据集介绍 | 第17-23页 |
| 2.1 常用微表情识别算法 | 第17-21页 |
| 2.1.1 LBP-TOP | 第17-18页 |
| 2.1.2 LBP-SIP | 第18-20页 |
| 2.1.3 LOCP-TOP | 第20-21页 |
| 2.2 表情识别常用数据集介绍 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 基于光流的3D-CNN微表情识别算法 | 第23-37页 |
| 3.1 神经网络介绍 | 第23-24页 |
| 3.2 卷积神经网络介绍 | 第24-28页 |
| 3.3 本文提出的3D-CNN网络结构 | 第28-31页 |
| 3.3.1 3D-CNN提出的背景 | 第28-29页 |
| 3.3.2 本文提出的3D-CNN网络结构详细介绍 | 第29-31页 |
| 3.4 实验讨论 | 第31-35页 |
| 3.4.1 提升结果的一些技术 | 第31-32页 |
| 3.4.2 实验采用的深度学习框架 | 第32页 |
| 3.4.3 实验参数设置 | 第32页 |
| 3.4.4 实验结果与分析 | 第32-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于积分投影和LSTM的微表情识别研究 | 第37-43页 |
| 4.1 方法背景 | 第37页 |
| 4.2 基于差分图像的积分投影 | 第37-38页 |
| 4.3 长短时记忆网络 | 第38-40页 |
| 4.4 LSTM-IP模型 | 第40-41页 |
| 4.5 实验讨论 | 第41-42页 |
| 4.5.1 实验采用的深度学习框架和参数设置 | 第41页 |
| 4.5.2 实验结果与分析 | 第41-42页 |
| 4.6 本章小结 | 第42-43页 |
| 总结与展望 | 第43-45页 |
| 1、总结 | 第43页 |
| 2、展望 | 第43-45页 |
| 参考文献 | 第45-49页 |
| 致谢 | 第49-51页 |
| 攻读硕士学位期间发表的论文 | 第51页 |