薛建明, 刘宏哲, 袁家政, 王雪峤, 李 青, 杨少鹏

(1.北京联合大学 北京市信息服务工程重点实验室，北京 100101;2.北京开放大学，北京 100081; 3.北京联合大学 计算机技术研究所，北京 100101)

0 引 言

人脸表情识别在人机交互与情感感知领域有着广泛的研究前景，主要应用包括智能教育中的学习状态分析、安全驾驶中的驾驶人状态预测、犯罪审讯中的嫌疑人心理活动分析和智能医疗中的病人病因分析等。美国的著名心理学家Ekman P和 Friesen W V首次提出了面部动作编码系统(facial action coding system,FACS)[1]，并提出了迄今为止都广泛使用的六类基本表情(惊讶，悲伤，厌恶，生气，开心和恐惧)。目前，人脸表情识别算法可以大致分为两种：传统机器学习方法和基于深度学习的方法。

传统机器学习方法大多将人脸表情识别分为特征提取和特征分类2个步骤。其中，特征提取是最关键的部分。提取能够更好表达表情信息的特征可以在很大程度上提高表情识别的准确率。根据处理对象的不同，还可以将特征提取和特征分类两个部分的算法分别细分为基于静态图像的方法和基于动态序列的方法。近年来，诸如局部二值模式(local binary pattern,LBP)、局部Gabor二值模式(local Gabor binary pattern,LGBP)[5]、梯度直方图(histogram of gradient,HOG)和尺度不变特征变换(scale invariant feature transform,SIFT)[7]等算法被应用于静态人脸表情图像的特征提取。文献[2]将SIFT特征应用人脸表情识别，取得了78.43 %识别结果。文献[3]将LBP与Gabor两种特征相结合，取得了98 %的识别结果。基于动态序列的特征提取较常用的有光流法和特征点跟踪法。通过对人脸表情图像提取特征后，还需要使用合适的分类器对特征进行分类。……