基于张量分解理论的三维人脸表情识别算法研究

常用符号
1 绪论
1.1 课题背景和意义
1.2 人脸表情识别研究的发展历史
1.3 国内外研究现状
1.3.1 三维人脸表情特征提取方法综述
1.3.2 三维人脸表情特征提取方法总结与分析
1.3.3 三维人脸表情常用分类方法
1.3.4 常用三维人脸表情数据库
1.4 研究内容与研究方法
1.5 本章小结
2 张量理论与流形学习
2.1 张量理论
2.1.1 张量
2.1.2 张量代数
2.1.3 张量分解理论
2.1.4 基于Tucker分解的降维算法
2.1.5 张量子空间模型
2.1.6 张量低秩表示
2.2 流形学习与图嵌入框架
2.2.1 流形与流形学习
2.2.2 基于张量学习的图嵌入框架
2.3 本章小结
3 基于低秩张量完备性的张量分解
3.1 引言
3.2 算法背景
3.2.1 张量低秩表示
3.2.2 张量稀疏表示
3.3 算法介绍
3.4 FERLrTC算法的模型优化及求解
3.4.1 低秩张量完备性的优化模型的建立
3.4.2 低秩张量完备性的优化模型的求解
3.4.3 秩降低策略
3.5 FERLrTC算法的分析
3.5.1 FERLrTC算法的复杂度
3.5.2 FERLrTC算法的收敛性
3.6 FERLrTC算法的实验评价
3.6.1 实验环境与实验步骤
3.6.2 实施细节
3.6.3 在BU-3DF数据库上的实验结果
3.6.4 在Bosptlorus数据库上的实验结果
3.6.5 合成数据对FERLrTC算法的验证
3.7 对FERLrTC算法的讨论
3.7.1 基于特征融合的4D张量模型的有效性
3.7.2 特征描述符的选择
3.7.3 秩降低策略的有效性
3.8 本章小结
4 基于先验信息的正交张量补全
4.1 引言
4.2 算法背景
4.2.1 正交的Tucker分解
4.2.2 图嵌入正则化框架
4.3 算法介绍
4.4 OTDFPFER算法的模型优化及求解
4.4.1 OTDFPFER算法的优化模型的建立
4.4.2 OTDFPFER算法的优化模型的求解
4.5 OTDFPFER算法的分析
4.5.1 OTDFPFER算法的复杂度
4.5.2 OTDFPFER算法的收敛性
4.6 OTDFPFER算法的实验评价
4.6.1 实验设计
4.6.2 在BU-3DFE数据库上的实验结果
4.6.3 在Bospklorus数据库上的实验结果
4.7 本章小结
5 正交张量Tucker分解算法
5.1 正交低秩Tucker分解算法
5.1.1 引言
5.1.2 算法背景
5.1.3 OLRTDFER算法的优化模型及其求解过程
5.1.4 OLRTDFER算法的实验评价
5.2 稀疏正交Tucker分解算法
5.2.1 引言
5.2.2 张量稀疏表示
5.2.3 SOTDFER算法的优化模型及其求解过程
5.2.4 SOTDFER算法的实验评价
5.3 本章小结
6 结论
6.1 前期工作总结
6.2 未来工作的展望
参考文献