| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的研究内容 | 第13页 |
| 1.4 本文的组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第二章 表情程度估计与识别的关键技术 | 第16-28页 |
| 2.1 图像特征介绍 | 第16-22页 |
| 2.1.1 LBP特征 | 第16-18页 |
| 2.1.2 Haar特征 | 第18-20页 |
| 2.1.3 Hog特征 | 第20-22页 |
| 2.2 常用算法 | 第22-25页 |
| 2.2.1 LLE和PKCA | 第22-23页 |
| 2.2.2 SVM支撑向量机法 | 第23-24页 |
| 2.2.3 Boosting算法 | 第24-25页 |
| 2.3 人脸数据库介绍 | 第25-26页 |
| 2.3.1 Cohn-Kanade+数据库 | 第25页 |
| 2.3.2 MMI数据库 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于RankBoost算法的人脸表情程度估计 | 第28-42页 |
| 3.1 问题分析 | 第28-30页 |
| 3.1.1 预处理 | 第28-29页 |
| 3.1.2 特征提取 | 第29-30页 |
| 3.2 算法设计 | 第30-34页 |
| 3.2.1 算法说明 | 第30-31页 |
| 3.2.2 基本思想 | 第31-32页 |
| 3.2.3 弱排序模型 | 第32-34页 |
| 3.3 算法优化 | 第34-38页 |
| 3.3.1 改进弱排序器 | 第34-35页 |
| 3.3.2 优化损失函数 | 第35-37页 |
| 3.3.3 学习器生成方法 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于RankBoost算法的表情识别 | 第42-48页 |
| 4.1 问题分析 | 第42页 |
| 4.2 算法设计 | 第42-46页 |
| 4.2.1 RankBoost算法用于表情识别 | 第42-44页 |
| 4.2.2 弱学习器生成 | 第44-45页 |
| 4.2.3 识别方式 | 第45-46页 |
| 4.3 本章小结 | 第46-48页 |
| 第五章 基于协同训练与卷积神经网络的RankBoost算法 | 第48-60页 |
| 5.1 协同训练算法与RankBoost结合 | 第48-53页 |
| 5.1.1 协同训练 | 第48-49页 |
| 5.1.2 算法结合 | 第49-50页 |
| 5.1.3 实验结果 | 第50-53页 |
| 5.2 卷积神经网络特征与RankBoost结合 | 第53-59页 |
| 5.2.1 卷积神经网络 | 第53-54页 |
| 5.2.2 算法结合 | 第54-57页 |
| 5.2.3 实验结果 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 工作总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表的学术论文目录 | 第70页 |