| 致谢 | 第9-10页 |
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-13页 |
| 第一章 绪论 | 第20-40页 |
| 1.1 课题研究背景及意义 | 第20-22页 |
| 1.1.1 研究背景 | 第20-21页 |
| 1.1.2 研究意义 | 第21-22页 |
| 1.2 类人机器人研究概况 | 第22-30页 |
| 1.2.1 仿人型机器人 | 第22-26页 |
| 1.2.2 拟人型机器人 | 第26-30页 |
| 1.3 类人机器人表情识别与表情再现研究概况 | 第30-37页 |
| 1.3.1 类人机器人表情识别研究概况 | 第31-35页 |
| 1.3.2 类人机器人表情再现研究概况 | 第35-37页 |
| 1.4 本文研究内容及结构安排 | 第37-40页 |
| 1.4.1 本文研究内容 | 第37-38页 |
| 1.4.2 本文组织结构 | 第38-40页 |
| 第二章 基于区域特征融合的多姿态表情识别方法 | 第40-76页 |
| 2.1 引言 | 第40页 |
| 2.2 多姿态AGF表情特征描述 | 第40-45页 |
| 2.2.1 基于多姿态AAM模板的特征点定位 | 第41-42页 |
| 2.2.2 AGF人脸表情特征描述子 | 第42-45页 |
| 2.3 区域特征分组及表示 | 第45-47页 |
| 2.4 基于区域特征级融合的多姿态表情识别方法 | 第47-56页 |
| 2.4.1 基于改进FCM的区域特征自适应加权 | 第47-51页 |
| 2.4.2 基于FCM区域特征加权的特征级融合方法 | 第51-52页 |
| 2.4.3 实验结果及分析 | 第52-56页 |
| 2.5 基于区域特征决策级融合的多姿态表情识别方法 | 第56-73页 |
| 2.5.1 D-S证据理论 | 第58页 |
| 2.5.2 基本监督FCM的概率分配函数(BPA)构建 | 第58-64页 |
| 2.5.3 基于D-S多区域表情证据融合算法描述 | 第64-67页 |
| 2.5.4 实验及分析 | 第67-73页 |
| 2.6 不同表情识别方法性能比较 | 第73-75页 |
| 2.6.1 基于BU-3DFE库的多姿态表情识别方法比较 | 第73-74页 |
| 2.6.2 基于Cohn-Kanade库的表情识别方法比较 | 第74-75页 |
| 2.7 小结 | 第75-76页 |
| 第三章 基于单帧图像的机器人表情再现 | 第76-102页 |
| 3.1 引言 | 第76-77页 |
| 3.2 机器人头部机械系统 | 第77-78页 |
| 3.3 机器人头部姿态估计及模仿 | 第78-88页 |
| 3.3.1 机器人头部刚性特征提取 | 第79-80页 |
| 3.3.2 基于RVM的机器人头部姿态估计 | 第80-85页 |
| 3.3.3 机器人头部姿态估计实验分析及评价 | 第85-88页 |
| 3.4 基于单帧表情图像的机器人表情学习算法 | 第88-101页 |
| 3.4.1 基于能量守恒的前向机械模型构建 | 第89-90页 |
| 3.4.2 基于回归分析的前向机械模型求解 | 第90-93页 |
| 3.4.3 基于单帧表情图像的机器人逆向机械求解策略 | 第93-94页 |
| 3.4.4 机器人单帧表情再现算法描述 | 第94-97页 |
| 3.4.5 机器人单帧表情再现算法分析与评价 | 第97-101页 |
| 3.5 小结 | 第101-102页 |
| 第四章 基于表演驱动的机器人多帧表情模仿 | 第102-112页 |
| 4.1 引言 | 第102页 |
| 4.2 基于RBF神经网络的电机时序预测模型构建 | 第102-104页 |
| 4.3 基于表情瞬时相似度和电机平滑度的逆向机械求解 | 第104-105页 |
| 4.4 机器人多帧表情模仿算法描述 | 第105-106页 |
| 4.5 机器人多帧表情模仿实验分析与评价 | 第106-111页 |
| 4.5.1 基于RBF神经网络的电机时序预测模型评价 | 第106-108页 |
| 4.5.2 机器人多帧表情模仿算法评价 | 第108-109页 |
| 4.5.3 权重系数g的影响 | 第109-111页 |
| 4.6 小结 | 第111-112页 |
| 第五章 基于时序特征的机器人在线表情迁移 | 第112-136页 |
| 5.1 基于时空关系的表情特征提取 | 第113-121页 |
| 5.1.1 基于Kinect面部运动数据捕获 | 第113-115页 |
| 5.1.2 基于Laplacian变换的底层表情特征提取 | 第115-119页 |
| 5.1.3 基于脸部运动参数的高层表情语义提取 | 第119-120页 |
| 5.1.4 基于动态表情序列的时空特征表示 | 第120-121页 |
| 5.2 基于表情时序特征的逆向机械模型构建 | 第121-124页 |
| 5.2.1 基于时间递归神经网络的逆向机械模型构建 | 第122-123页 |
| 5.2.2 模型参数的求解 | 第123-124页 |
| 5.3 基于时序特征的机器人在线表情迁移 | 第124-128页 |
| 5.3.1 卡尔曼平滑 | 第124-125页 |
| 5.3.2 基于时序特征的机器人在线表情迁移算法描述 | 第125-128页 |
| 5.4 实验分析及算法评价 | 第128-134页 |
| 5.4.1 基于RNN时序神经网络的逆向机械模型评价 | 第128-129页 |
| 5.4.2 基于时序特征的机器人在线表情迁移算法评价 | 第129-131页 |
| 5.4.3 基于时序指标的算法评价 | 第131-133页 |
| 5.4.4 不同方法性能比较 | 第133-134页 |
| 5.5 小结 | 第134-136页 |
| 第六章 总结与展望 | 第136-140页 |
| 6.1 全文总结 | 第136-137页 |
| 6.2 未来展望 | 第137-140页 |
| 参考文献 | 第140-152页 |
| 攻读博士学位期间的学术活动及成果情况 | 第152-154页 |
