论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-10页 |
第1章 绪论 | 第10-20页 |
1.1 课题研究的目的与意义 | 第10页 |
1.2 人脸表情识别的研究现状 | 第10-18页 |
1.2.1 表情特征提取的研究现状 | 第11-16页 |
1.2.2 表情分类的研究现状 | 第16-18页 |
1.3 本文的研究内容与结构安排 | 第18-20页 |
第2章 人脸图像的光照补偿与几何校正 | 第20-34页 |
2.1 引言 | 第20页 |
2.2 光照补偿方法的研究 | 第20-25页 |
2.2.1 直方图均衡化 | 第20-21页 |
2.2.2 同态滤波 | 第21-22页 |
2.2.3 Isotropic滤波和Anisotropic滤波 | 第22-23页 |
2.2.4 Gamma校正 | 第23-24页 |
2.2.5 逐像素灰度区间自适应Gamma校正 | 第24-25页 |
2.3 光照补偿方法的实验结果与分析 | 第25-30页 |
2.3.1 人脸图像光照补偿方法的实验对比 | 第25-27页 |
2.3.2 自适应Gamma校正实验对比 | 第27-30页 |
2.4 图像的几何平面旋转校正 | 第30-32页 |
2.4.1 基于分块灰度积分投影的眼睛定位 | 第31-32页 |
2.4.2 人脸图像平面旋转校正 | 第32页 |
2.5 本章小结 | 第32-34页 |
第3章 基于非负稀疏矩阵分解的表情识别 | 第34-45页 |
3.1 引言 | 第34页 |
3.2 非负矩阵分解的算法原理及在表情识别中的应用 | 第34-37页 |
3.2.1 NMF的算法原理 | 第35-36页 |
3.2.2 NMF算法在表情识别中的应用 | 第36-37页 |
3.3 局部非负矩阵分解的算法原理及在表情识别中的应用 | 第37-38页 |
3.3.1 LNMF的算法原理 | 第37-38页 |
3.3.2 LNMF算法在表情识别中的应用 | 第38页 |
3.4 非负稀疏矩阵分解的算法原理及在表情识别中的应用 | 第38-40页 |
3.4.1 SNMF的算法原理 | 第38-39页 |
3.4.2 SNMF算法在表情识别中的应用 | 第39-40页 |
3.5 实验结果与分析 | 第40-44页 |
3.5.1 特征基个数r的选择 | 第40-42页 |
3.5.2 稀疏因子的选择 | 第42-43页 |
3.5.3 NMF、LNMF和SNMF算法的实验结果与分析 | 第43-44页 |
3.6 本章小结 | 第44-45页 |
第4章 基于分块加权的人脸表情识别 | 第45-54页 |
4.1 引言 | 第45页 |
4.2 分块加权算法的基本原理 | 第45-48页 |
4.2.1 分块思想概述 | 第45-47页 |
4.2.2 局部特征加权策略 | 第47-48页 |
4.3 分块加权算法与稀疏矩阵分解算法的融合 | 第48-49页 |
4.4 实验结果与分析 | 第49-53页 |
4.4.1 不同分块方式对表情识别的影响 | 第50-52页 |
4.4.2 分块加权稀疏矩阵分解算法的实验结果与分析 | 第52-53页 |
4.5 本章小结 | 第53-54页 |
第5章 基于支持向量机的分类器设计 | 第54-61页 |
5.1 引言 | 第54页 |
5.2 支持向量机的映射原理 | 第54-55页 |
5.3 多类分类支持向量机 | 第55-58页 |
5.3.1 “一对多”SVM分类法 | 第55页 |
5.3.2 “一对一”SVM分类法 | 第55-56页 |
5.3.3 二叉树SVM分类法 | 第56-57页 |
5.3.4 分类器性能比较分析 | 第57-58页 |
5.4 二叉树SVM的层次设计 | 第58-59页 |
5.5 不同SVM分类器对表情识别的影响 | 第59页 |
5.6 本章小结 | 第59-61页 |
第6章 人脸表情识别系统设计与实现 | 第61-67页 |
6.1 人脸表情识别系统的介绍 | 第61-63页 |
6.1.1 系统设计框图 | 第61-62页 |
6.1.2 系统功能模块介绍 | 第62-63页 |
6.2 表情数据库 | 第63-64页 |
6.3 系统实验平台 | 第64页 |
6.4 人脸表情识别系统展示 | 第64-66页 |
6.5 本章小结 | 第66-67页 |
结论 | 第67-69页 |
参考文献 | 第69-76页 |
攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
致谢 | 第77页 |