| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-16页 |
| 1.1 微表情识别的意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 微表情识别的心理学研究 | 第12页 |
| 1.2.2 微表情识别的应用研究 | 第12-13页 |
| 1.2.3 微表情自动识别的研究 | 第13页 |
| 1.3 微表情识别的主要问题 | 第13-14页 |
| 1.4 论文研究内容及结构安排 | 第14-16页 |
| 2 微表情自动识别技术 | 第16-23页 |
| 2.1 微表情自动识别的基本步骤 | 第16页 |
| 2.2 典型的微表情特征提取方法 | 第16-17页 |
| 2.3 典型的微表情分类识别方法 | 第17-18页 |
| 2.4 微表情数据库 | 第18-22页 |
| 2.4.1 AVEC微表情数据库 | 第19页 |
| 2.4.2 SMIC微表情数据库 | 第19-20页 |
| 2.4.3 CASME微表情数据库 | 第20-21页 |
| 2.4.4 本文所采用数据集 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于卷积神经网络的微表情特征提取 | 第23-37页 |
| 3.1 传统微表情特征提取算法 | 第23-26页 |
| 3.1.1 基于梯度的特征提取算法 | 第23-24页 |
| 3.1.2 基于局部纹理的特征提取算法 | 第24-26页 |
| 3.2 基于卷积神经网络的特征提取算法 | 第26-29页 |
| 3.2.1 CNN的网络结构 | 第26-28页 |
| 3.2.2 CNN的训练过程 | 第28-29页 |
| 3.3 特征可视化结果 | 第29-36页 |
| 3.3.1 传统特征可视化结果 | 第29-30页 |
| 3.3.2 CNN卷积层可视化结果 | 第30-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于深度学习的微表情情感因素预测与分类 | 第37-49页 |
| 4.1 多层感知机 | 第37-39页 |
| 4.1.1 MLP的网络结构 | 第37-38页 |
| 4.1.2 MLP算法实现 | 第38-39页 |
| 4.2 基于深度学习的微表情情感因素预测实现过程 | 第39-43页 |
| 4.2.1 基于深度学习的微表情特征提取以及情感预测 | 第39-40页 |
| 4.2.2 新算法的实现过程 | 第40-43页 |
| 4.3 中值滤波 | 第43页 |
| 4.4 实验结果分析 | 第43-48页 |
| 4.4.1 微表情识别效果对比分析 | 第44-45页 |
| 4.4.2 微表情属性变化曲线对比分析 | 第45-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-50页 |
| 5.1 工作总结 | 第49页 |
| 5.2 工作展望 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第53-55页 |
| 学位论文数据集 | 第55页 |