余锐

（重庆大学计算机学院，重庆 400044）

0 引言

人脸表情（Facial Expression）承载着人与人之间信息交流据。心里学家A.Mehrabian[1]的研究发现，在人类日常生活中，人脸表情所传递的信息量约战整个信息总量的55%，因此，近些年来对于人脸表情图像识别的研究也是比较热门，尤其是对人脸表情特征分析进行归类的人脸表情识别成为人机交互、计算情感、智能控制、机器视觉、图像处理及设计模式等领域的重要研究课题。

我们已熟知的传统人脸表情识别算法很大一部分集中在基于传统的图像处理相关技术，主要基于三步进行实现，特征提取、特征选择、分类器构建来完成识别，可参考朱健翔的基于Gabor特征与AdaBoost人脸表情识别[2]，其中特征提取阶段主要目的是能够提取出能够更好地进行面部表情分析的特征，目前比较成熟的技术包括Gabor小波特征[3-4]和AAM[5]，而特征选择主要集中在高纬度特征向量下降低维度数，可以很大降低存储量与计算量，其中包括PCA降维和AdaBoost算法。最后分类器构建则有着相对多的方法，其中主要运用到了模式识别中相关技术，包括了基于概率模型的方法，基于支持向量机SVM、基于神经网络的方法模型传统人脸表情识别流程如图1所示。

图1 传统表情识别流程图

本文所采用的是深度学习技术来进行分脸表情特征分析，有别于之前的神经网络作为分类器算法，神经网络可划归浅层的网络分类器模型中，而深度学习在图像识别分类这一块主要是让机器自动从大量数据的样本中通过深层次的网络多通道维度学习，使得其能够在训练好的模型中体现出泛化表征性。……