| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 本文研究的背景与意义 | 第10-11页 |
| 1.2 人脸表情识别的研究现状 | 第11-15页 |
| 1.2.1 人脸表情的国内外研究的现状及意义 | 第11-13页 |
| 1.2.2 表情的分类 | 第13页 |
| 1.2.3 人脸表情识别系统概述 | 第13-14页 |
| 1.2.4 常用人脸表情数据库介绍 | 第14-15页 |
| 1.3 人脸表情特征提取技术 | 第15-17页 |
| 1.3.1 图像原始特征的提取技术 | 第15-16页 |
| 1.3.2 维数约减技术的研究现状 | 第16-17页 |
| 1.4 论文的研究内容及安排 | 第17-20页 |
| 第二章 人脸表情图像预处理 | 第20-30页 |
| 2.1 人脸区域的分割 | 第20-21页 |
| 2.2 图像尺度归一化 | 第21-22页 |
| 2.3 图像去噪的方法 | 第22-25页 |
| 2.3.1 中值滤波器 | 第22-23页 |
| 2.3.2 邻域平均法 | 第23-25页 |
| 2.3.3 边缘保持滤波器 | 第25页 |
| 2.4 图像的灰度变换 | 第25-26页 |
| 2.5 直方图均衡化 | 第26-28页 |
| 2.6 预处理后的表情图像 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于 Gabor 小波与 2DPCA 的人脸表情特征提取 | 第30-46页 |
| 3.1 Gabor 小波 | 第31-35页 |
| 3.1.1 一维 Gabor 小波变换 | 第31-32页 |
| 3.1.2 二维 Gabor 小波的构造 | 第32-33页 |
| 3.1.3 Gabor 小波的实验与结果 | 第33-35页 |
| 3.2 主成分分析 PCA | 第35-38页 |
| 3.2.1 PCA 算法的基础 | 第35-37页 |
| 3.2.2 PCA 算法的步骤 | 第37-38页 |
| 3.2.3 PCA 的优缺点分析 | 第38页 |
| 3.3 二维主元分析 | 第38-42页 |
| 3.3.1 传统 2DPCA 算法 | 第39-40页 |
| 3.3.2 左侧二维主元分析 | 第40-41页 |
| 3.3.3 双边二维主元分析 | 第41-42页 |
| 3.4 特征提取的设计过程 | 第42-44页 |
| 3.4.1 Gabor 小波与 2DPCA 的结合 | 第42-43页 |
| 3.4.2 表情特征提取的结果 | 第43-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 实验 | 第46-58页 |
| 4.1 分类识别器简介 | 第46-49页 |
| 4.1.1 支持向量机 | 第46-48页 |
| 4.1.2 最近邻分类算法 | 第48-49页 |
| 4.2 建立实验样本库 | 第49-51页 |
| 4.3 实验设计及结果分析 | 第51-56页 |
| 4.3.1 Gabor 小波和 2DPCA 的参数设计及结果分析 | 第51-55页 |
| 4.3.2 本文方法应用于 K-FEDB 表情库 | 第55页 |
| 4.3.3 2DPCA 及它的两种改进算法对比 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 前景展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
