基于稀疏表示和LGTP的人脸表情识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 人脸表情识别面临的挑战 | 第15-16页 |
| 1.4 本文的主要工作 | 第16-17页 |
| 1.5 论文的组织结构与安排 | 第17-19页 |
| 第二章 表情识别的基本理论和算法 | 第19-29页 |
| 2.1 情感计算与情绪理论研究 | 第19-20页 |
| 2.1.1 情感计算 | 第19页 |
| 2.1.2 情绪理论研究 | 第19-20页 |
| 2.2 人脸表情识别综述 | 第20-23页 |
| 2.2.1 静态表情识别方法概述 | 第20-21页 |
| 2.2.2 静态表情识别中的主要技术方法 | 第21-23页 |
| 2.3 表情识别中常用的特征方法 | 第23-25页 |
| 2.4 表情识别中常用的分类器 | 第25-27页 |
| 2.4.1 支持向量机（SVM）方法 | 第25-27页 |
| 2.4.2 Adaboost算法 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 人脸表情特征的提取 | 第29-37页 |
| 3.1 单一表情特征的提取 | 第29-32页 |
| 3.1.1 Gabor小波特征 | 第29-31页 |
| 3.1.2 局部二值模式（LBP） | 第31-32页 |
| 3.2 LGTP特征提取方法 | 第32-36页 |
| 3.2.1 Gabor滤波器 | 第32-33页 |
| 3.2.2 局部过渡模式（LTP） | 第33-35页 |
| 3.2.3 基于LGTP的特征向量提取 | 第35-36页 |
| 3.3 本章小结 | 第36-37页 |
| 第四章 稀疏表示 | 第37-47页 |
| 4.1 稀疏表示理论 | 第37-38页 |
| 4.2 稀疏表示的求解算法 | 第38-42页 |
| 4.3 基于稀疏表示的分类方法 | 第42-43页 |
| 4.4 稀疏表示在表情识别中的应用 | 第43-44页 |
| 4.4.1 主要特征 | 第43-44页 |
| 4.4.2 基于稀疏表示的多特征融合表情识别方法 | 第44页 |
| 4.5 本章小节 | 第44-47页 |
| 第五章 基于稀疏表示和LGTP的人脸表情识别 | 第47-59页 |
| 5.1 人脸表情图像的预处理 | 第47-49页 |
| 5.2 特征子区域的划分与特征提取 | 第49-51页 |
| 5.2.1 图像分割 | 第49-50页 |
| 5.2.2 人脸表情图像分块 | 第50-51页 |
| 5.2.3 LGTP的表情特征的提取 | 第51页 |
| 5.3 基于稀疏表示的表情特征降维 | 第51-54页 |
| 5.3.1 构造过完备字典 | 第51-52页 |
| 5.3.2 稀疏表示算法 | 第52-54页 |
| 5.4 基于SVM的人脸表情分类 | 第54-55页 |
| 5.5 实验结果与分析 | 第55-57页 |
| 5.5.1 基于不同核函数SVM的实验结果 | 第55-56页 |
| 5.5.2 不同特征提取方法的实验对比 | 第56-57页 |
| 5.5.3 计算复杂度及算法效率分析 | 第57页 |
| 5.6 本章小结 | 第57-59页 |
| 第六章 结论与展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 致谢 | 第65-67页 |
| 作者简介 | 第67-68页 |
