基于深度神经网络的微表情识别
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 引言 | 第14页 |
| 1.2 课题背景和意义 | 第14-16页 |
| 1.2.1 课题背景 | 第14-15页 |
| 1.2.2 研究的意义 | 第15-16页 |
| 1.3 国内外研究现状 | 第16-17页 |
| 1.4 本文的主要工作和结构安排 | 第17-19页 |
| 1.4.1 本文主要工作 | 第17-18页 |
| 1.4.2 本文内容安排 | 第18-19页 |
| 第二章 人脸微表情识别概述 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 人脸检测与定位 | 第19-23页 |
| 2.3 人脸图片预处理 | 第23-28页 |
| 2.3.1 直方图均衡化 | 第24-25页 |
| 2.3.2 滤波去噪 | 第25-26页 |
| 2.3.3 尺寸变换 | 第26-28页 |
| 2.4 特征提取 | 第28-31页 |
| 2.4.1 基于LBP-TOP的方法 | 第28-30页 |
| 2.4.2 基于MPCA的方法 | 第30页 |
| 2.4.3 光流法 | 第30-31页 |
| 2.5 分类识别 | 第31-32页 |
| 2.5.1 K近邻分类器 | 第31页 |
| 2.5.2 支持向量机 | 第31-32页 |
| 2.5.3 神经网络 | 第32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于CNN的微表情识别 | 第33-48页 |
| 3.1 引言 | 第33页 |
| 3.2 前馈神经网络 | 第33-38页 |
| 3.2.1 多层前馈神经网络 | 第33-36页 |
| 3.2.2 反向传播算法 | 第36-38页 |
| 3.3 卷积神经网络基本原理 | 第38-43页 |
| 3.3.1 局部感知 | 第39-40页 |
| 3.3.2 权值共享 | 第40页 |
| 3.3.3 池化 | 第40页 |
| 3.3.4 卷积神经网络结构 | 第40-41页 |
| 3.3.5 卷积神经网络的优化策略 | 第41-43页 |
| 3.4 基于CNN的微表情识别 | 第43页 |
| 3.5 实验数据集与评估方式 | 第43-44页 |
| 3.6 实验结果分析 | 第44-47页 |
| 3.7 本章小结 | 第47-48页 |
| 第四章 基于CNN+LSTM的微表情识别 | 第48-61页 |
| 4.1 引言 | 第48页 |
| 4.2 递归神经网络 | 第48-52页 |
| 4.2.1 单向递归神经网络 | 第49-50页 |
| 4.2.2 双向递归神经网络 | 第50-52页 |
| 4.3 长短时记忆模型 | 第52-56页 |
| 4.3.1 长短时记忆模型结构 | 第52-54页 |
| 4.3.2 双向长短时记忆模型结构 | 第54页 |
| 4.3.3 LSTM模型的变体 | 第54-56页 |
| 4.4 基于CNN+LSTM的微表情识别 | 第56-57页 |
| 4.5 实验数据和评估方式 | 第57页 |
| 4.6 实验结果分析 | 第57-60页 |
| 4.7 本章小结 | 第60-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 本文的主要工作 | 第61页 |
| 5.2 未来发展的展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第66-68页 |
