| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 课题来源及研究意义 | 第11-12页 |
| 1.2 研究现状 | 第12-19页 |
| 1.2.1 人体动作识别的研究现状 | 第12-16页 |
| 1.2.2 自发表情识别的研究现状 | 第16-18页 |
| 1.2.3 深度学习的研究现状 | 第18-19页 |
| 1.3 本文的主要研究内容 | 第19-20页 |
| 1.4 本文的结构框架 | 第20-21页 |
| 第2章 基于时序深度置信网络的实时动作识别 | 第21-31页 |
| 2.1 人体动作识别方法介绍 | 第21-23页 |
| 2.1.1 隐马尔科夫模型 | 第21-22页 |
| 2.1.2 动态贝叶斯网络 | 第22页 |
| 2.1.3 支持向量机 | 第22-23页 |
| 2.2 时序深度置信网络 | 第23-27页 |
| 2.2.1 深度置信网络 | 第23-25页 |
| 2.2.2 条件受限玻尔兹曼机 | 第25-26页 |
| 2.2.3 时序深度置信网络 | 第26-27页 |
| 2.3 时序深度置信网络的学习过程 | 第27-30页 |
| 2.3.1 预训练 | 第27-29页 |
| 2.3.2 全局微调 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 人体实时动作识别实验及分析 | 第31-45页 |
| 3.1 人体动作数据库 | 第31-34页 |
| 3.1.1 MIT数据库 | 第31-32页 |
| 3.1.2 MSR Action3D数据库 | 第32-34页 |
| 3.2 程序流程图 | 第34-37页 |
| 3.2.1 预处理 | 第34-35页 |
| 3.2.2 预训练 | 第35-36页 |
| 3.2.3 全局微调 | 第36-37页 |
| 3.3 实验及分析 | 第37-43页 |
| 3.3.1 MIT数据库动作识别实验 | 第37-39页 |
| 3.3.2 MSR Action3D数据库动作识别实验 | 第39-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 基于卷积神经网络的自发表情识别 | 第45-55页 |
| 4.1 自发表情识别的特征提取模型 | 第45-47页 |
| 4.1.1 ASM | 第45-46页 |
| 4.1.2 AAM | 第46-47页 |
| 4.2 卷积神经网络 | 第47-49页 |
| 4.2.1 CNN的结构特点 | 第47-48页 |
| 4.2.2 CNN的整体结构 | 第48-49页 |
| 4.3 卷积神经网络的学习过程 | 第49-53页 |
| 4.3.1 CNN层的类型 | 第49-50页 |
| 4.3.2 正向传递 | 第50-51页 |
| 4.3.3 后向传递 | 第51-52页 |
| 4.3.4 CNN的训练总结 | 第52-53页 |
| 4.4 本章小结 | 第53-55页 |
| 第5章 自发表情识别实验及分析 | 第55-63页 |
| 5.1 自发表情数据库 | 第55-57页 |
| 5.1.1 SPOS数据库 | 第55-56页 |
| 5.1.2 USTC-NVIE数据库 | 第56-57页 |
| 5.2 Caffe实验平台的搭建 | 第57-60页 |
| 5.2.1 CUDA开发环境的安装 | 第58页 |
| 5.2.2 Caffe的安装 | 第58-59页 |
| 5.2.3 安装过程中的注意事项 | 第59-60页 |
| 5.3 实验及分析 | 第60-62页 |
| 5.3.1 SPOS数据库实验 | 第60-61页 |
| 5.3.2 USTC-NVIE数据库实验 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文主要工作 | 第63-64页 |
| 6.2 下一步工作 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-73页 |
| 硕士期间发表的学术论文 | 第73页 |
| 硕士期间参加的科研工作 | 第73-74页 |
| 附件 | 第74页 |