| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 基于静态图像的特征提取方法 | 第11-12页 |
| 1.2.2 基于动态图像的特征提取方法 | 第12-14页 |
| 1.2.3 基于深度学习的特征提取方法 | 第14-15页 |
| 1.2.4 目前存在的主要问题 | 第15-16页 |
| 1.3 本文主要工作 | 第16页 |
| 1.4 本文结构安排 | 第16-17页 |
| 1.5 本章小结 | 第17-19页 |
| 第2章 相关理论基础 | 第19-31页 |
| 2.1 局部二进制模式 | 第19-23页 |
| 2.1.1 基本LBP算子 | 第19-20页 |
| 2.1.2 VLBP | 第20-21页 |
| 2.1.3 LBP-TOP | 第21-23页 |
| 2.2 深度学习模型 | 第23-27页 |
| 2.2.1 卷积神经网络 | 第23-25页 |
| 2.2.2 递归神经网络 | 第25-26页 |
| 2.2.3 长短时记忆网络 | 第26-27页 |
| 2.3 支持向量机 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于时空特征和金字塔CNN特征的人脸表情识别 | 第31-41页 |
| 3.1 算法框架概述 | 第31-32页 |
| 3.2 数据预处理 | 第32-33页 |
| 3.2.1 人脸检测 | 第32-33页 |
| 3.2.2 图像配准 | 第33页 |
| 3.3 金字塔CNN特征的构建 | 第33-37页 |
| 3.4 静态金字塔CNN特征和动态时空特征联合表示 | 第37-39页 |
| 3.5 表情特征分类 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于CNN-LSTM网络的人脸表情识别 | 第41-47页 |
| 4.1 算法框架概述 | 第41-42页 |
| 4.2 CNN-LSTM网络模型的训练与识别 | 第42-45页 |
| 4.3 本章小结 | 第45-47页 |
| 第5章 实验结果与分析 | 第47-55页 |
| 5.1 数据集介绍 | 第47-48页 |
| 5.2 实验平台 | 第48页 |
| 5.3 实验结果及分析 | 第48-54页 |
| 5.3.1 基于时空特征和金字塔CNN特征的人脸表情识别算法实验结果及分析 | 第48-52页 |
| 5.3.2 基于CNN-LSTM网络的人脸表情识别算法实验结果及分析 | 第52-54页 |
| 5.3.3 与现有方法的比较 | 第54页 |
| 5.4 本章小结 | 第54-55页 |
| 第6章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士期间发表的论文 | 第65页 |
