| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景及意义 | 第9页 |
| 1.2 新生儿疼痛表情识别的研究现状 | 第9-11页 |
| 1.3 本文主要研究内容以及章节安排 | 第11-13页 |
| 第二章 基于 Log-Gabor 的新生儿疼痛表情特征提取 | 第13-23页 |
| 2.1 特征提取方法介绍 | 第13-14页 |
| 2.2 Gabor 小波理论 | 第14-16页 |
| 2.3 Log-Gabor 小波理论 | 第16-19页 |
| 2.4 Gabor 小波与 Log-Gabor 小波的比较 | 第19-20页 |
| 2.5 Log-Gabor 小波在新生儿疼痛表情提取中的应用 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第三章 特征降维方法 | 第23-33页 |
| 3.1 特征降维方法介绍 | 第23-24页 |
| 3.2 PCA 特征降维 | 第24-26页 |
| 3.3 2DPCA 特征降维 | 第26-29页 |
| 3.3.1 列方向 2DPCA 降维 | 第28页 |
| 3.3.2 (2D)2PCA 降维 | 第28-29页 |
| 3.4 LDA 特征降维 | 第29-31页 |
| 3.5 PCA-LDA | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 新生儿疼痛表情识别方法 | 第33-44页 |
| 4.1 分类算法介绍 | 第33-34页 |
| 4.2 SVM 分类算法 | 第34-41页 |
| 4.2.1 机器学习能力 | 第34-35页 |
| 4.2.2 统计学习理论 | 第35页 |
| 4.2.3 最优分类面 | 第35-37页 |
| 4.2.4 广义最优分类面 | 第37-38页 |
| 4.2.5 SVM 核函数 | 第38-39页 |
| 4.2.6 SVM 目前存在的问题 | 第39页 |
| 4.2.7 SVM 多类分类方法 | 第39-41页 |
| 4.3 基于稀疏表示的分类算法 | 第41-43页 |
| 4.3.1 压缩感知理论 | 第41-42页 |
| 4.3.2 基于稀疏表示的分类算法 | 第42-43页 |
| 4.3.3 稀疏解求解方法 | 第43页 |
| 4.3.4 稀疏表示分类优缺点 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 实验演示系统的界面设计及仿真结果分析 | 第44-62页 |
| 5.1 实验环境和表情库 | 第44-45页 |
| 5.2 实验演示系统的图形界面设计 | 第45-53页 |
| 5.2.1 MATLAB GUI 介绍 | 第45-47页 |
| 5.2.2 图形界面设计 | 第47-53页 |
| 5.3 实验结果分析 | 第53-61页 |
| 5.3.1 SVM 参数选择及优化 | 第53-54页 |
| 5.3.2 不同特征提取方法实验比较 | 第54-59页 |
| 5.3.3 不同特征降维方法实验比较 | 第59-60页 |
| 5.3.4 不同分类识别方法实验比较 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-63页 |
| 6.1 全文总结 | 第62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录 2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
