| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 微表情的产生与定义 | 第9-10页 |
| 1.1.1 微表情的产生 | 第9-10页 |
| 1.1.2 微表情的定义 | 第10页 |
| 1.2 微表情的国内外研究进展 | 第10-14页 |
| 1.2.1 微表情识别的心理学研究 | 第10-11页 |
| 1.2.2 微表情识别的实际应用研究 | 第11-12页 |
| 1.2.3 微表情训练表达的研究 | 第12页 |
| 1.2.4 微表情计算机自动识别的研究 | 第12-14页 |
| 1.3 微表情研究存在的问题 | 第14页 |
| 1.4 本文的主要工作 | 第14-17页 |
| 1.4.1 本文的主要研究工作 | 第14-15页 |
| 1.4.2 本文的组织框架 | 第15-17页 |
| 第二章 SEUSME微表情数据库建立 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 现有的微表情数据库介绍 | 第17-21页 |
| 2.3 微表情数据库SEUSME建库流程及基本共识 | 第21-22页 |
| 2.4 建立微表情数据库的实验准备 | 第22-25页 |
| 2.4.1 实验装置及环境的搭建 | 第23-24页 |
| 2.4.2 实验诱发来源的选择 | 第24页 |
| 2.4.3 实验被试的招募及确定 | 第24-25页 |
| 2.5 实验正式采集过程 | 第25-27页 |
| 2.6 微表情数据库的建立 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 微表情定位与判别 | 第29-49页 |
| 3.1 引言 | 第29-30页 |
| 3.2 光流向量时空合成的微表情检测 | 第30-34页 |
| 3.2.1 特征提取 | 第30-31页 |
| 3.2.2 时空合成与检测 | 第31-34页 |
| 3.2.3 实验结果与分析 | 第34页 |
| 3.3 基于去中心化和归一化及滤波器设计的检测算法改进 | 第34-37页 |
| 3.3.1 运动向量去中心化和归一化 | 第34-35页 |
| 3.3.2 信号衰减法定位 | 第35-36页 |
| 3.3.3 实验结果与分析 | 第36-37页 |
| 3.4 基于分块LBP-TOP特征的微表情判别 | 第37-46页 |
| 3.4.1 LBP统计特征 | 第37-41页 |
| 3.4.2 LBP-TOP统计特征 | 第41-42页 |
| 3.4.3 分块面部LBP-TOP特征提取 | 第42-44页 |
| 3.4.4 组稀疏最小二乘回归(GSLSR) | 第44-46页 |
| 3.4.5 实验结果与分析 | 第46页 |
| 3.5 本章小结 | 第46-49页 |
| 第四章 基于深度神经网络的微表情识别 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 分块的LBP-TOP特征提取和组稀疏最小二乘回归, | 第49-53页 |
| 4.2.1 GSLSR微表情识别算法 | 第50-51页 |
| 4.2.2 实验 | 第51-53页 |
| 4.3 学习最优时空特征的深度神经网络微表情识别方法 | 第53-58页 |
| 4.3.1 基于FACS的微表情发生敏感区域划分 | 第53-55页 |
| 4.3.2 特征学习驱动的微表情识别网络设计 | 第55-56页 |
| 4.3.3 实验结果及分析 | 第56-58页 |
| 4.4 本章小结 | 第58-61页 |
| 第五章 微表情自动检测和识别系统 | 第61-67页 |
| 5.1 引言 | 第61页 |
| 5.2 系统界面及功能 | 第61-64页 |
| 5.3 微表情可视化 | 第64-65页 |
| 5.4 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 本文工作总结 | 第67页 |
| 6.2 后续究探讨 | 第67-69页 |
| 致谢 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 作者简介 | 第75页 |
