基于Gabor特征的人脸表情识别算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究历史和现状 | 第12-18页 |
| 1.2.1 人脸表情识别的研究历史和现状 | 第12-14页 |
| 1.2.2 表情识别领域存在的问题 | 第14页 |
| 1.2.3 常用的人脸表情数据库 | 第14-18页 |
| 1.3 本文的研究内容 | 第18-20页 |
| 1.3.1 问题的提出及本文的内容 | 第18-19页 |
| 1.3.2 论文的框架 | 第19-20页 |
| 第2章 人脸表情识别算法综述 | 第20-25页 |
| 2.1 表情识别的难点 | 第20-22页 |
| 2.1.1 标准表情库的建立 | 第20页 |
| 2.1.2 表情的性别差异和文化差异 | 第20-21页 |
| 2.1.3 表情的连续性问题 | 第21-22页 |
| 2.2 表情分类方法 | 第22-25页 |
| 2.2.1 基于模板的分类方法 | 第23页 |
| 2.2.2 基于机器学习的分类方法 | 第23-24页 |
| 2.2.3 基于规则的分类方法 | 第24页 |
| 2.2.4 基于专家规则的分类方法 | 第24-25页 |
| 第3章 AdaBoost算法和SVM算法 | 第25-47页 |
| 3.1 表情特征提取方法 | 第25-31页 |
| 3.1.1 Gabor特征提取 | 第26-27页 |
| 3.1.2 二维Gabor小波变换 | 第27-28页 |
| 3.1.3 Gabor小波的参数选取 | 第28-29页 |
| 3.1.4 Gabor特征提取 | 第29-31页 |
| 3.2 Adaboost算法 | 第31-35页 |
| 3.3 支持向量机 | 第35-47页 |
| 3.3.1 构造支持向量机 | 第36-39页 |
| 3.3.2 线性可分SVM算法 | 第39-42页 |
| 3.3.3 线性不可分SVM | 第42-46页 |
| 3.3.4 核函数 | 第46-47页 |
| 第4章 人脸识别系统的表情识别算法 | 第47-55页 |
| 4.1 图像预处理 | 第47-48页 |
| 4.2 表情特征提取 | 第48-50页 |
| 4.2.1 Gabor滤波器 | 第48-49页 |
| 4.2.2 Gabor特征提取 | 第49-50页 |
| 4.3 特征降维 | 第50-52页 |
| 4.4 利用SVM进行人脸表情分类 | 第52-55页 |
| 第5章 实验结果分析与总结展望 | 第55-60页 |
| 5.1 本文人脸表情识别算法结果及分析 | 第55-57页 |
| 5.2 结论及展望 | 第57-60页 |
| 5.2.1 本文工作总结 | 第57-58页 |
| 5.2.2 人脸表情识别算法展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 致谢 | 第65页 |
