基于張量分解理論的三維人臉表情識別算法研究

常用符號
1 緒論
1.1 課題背景和意義
1.2 人臉表情識別研究的發(fā)展歷史
1.3 外研究現(xiàn)狀
1.3.1 三維人臉表情特征提取方法綜述
1.3.2 三維人臉表情特征提取方法總結(jié)與分析
1.3.3 三維人臉表情常用分類方法
1.3.4 常用三維人臉表情數(shù)據(jù)庫
1.4 研究內(nèi)容與研究方法
1.5 本章小結(jié)
2 張量理論與流形學習
2.1 張量理論
2.1.1 張量
2.1.2 張量代數(shù)
2.1.3 張量分解理論
2.1.4 基于Tucker分解的降維算法
2.1.5 張量子空間模型
2.1.6 張量低秩表示
2.2 流形學習與圖嵌入框架
2.2.1 流形與流形學習
2.2.2 基于張量學習的圖嵌入框架
2.3 本章小結(jié)
3 基于低秩張量完備性的張量分解
3.1 引言
3.2 算法背景
3.2.1 張量低秩表示
3.2.2 張量稀疏表示
3.3 算法介紹
3.4 FERLrTC算法的模型優(yōu)化及求解
3.4.1 低秩張量完備性的優(yōu)化模型的建立
3.4.2 低秩張量完備性的優(yōu)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算法的復雜度
3.5.2 FERLrTC算法的收斂性
3.6 FERLrTC算法的實驗評價
3.6.1 實驗環(huán)境與實驗步驟
3.6.2 實施細節(jié)
3.6.3 在BU-3DF數(shù)據(jù)庫上的實驗結(jié)果
3.6.4 在Bosptlorus數(shù)據(jù)庫上的實驗結(jié)果
3.6.5 合成數(shù)據(jù)對FERLrTC算法的驗證
3.7 對FERLrTC算法的討論
3.7.1 基于特征融合的4D張量模型的有效性
3.7.2 特征描述符的選擇
3.7.3 秩降低策略的有效性
3.8 本章小結(jié)
4 基于先驗信息的正交張量補全
4.1 引言
4.2 算法背景