李校林，钮海涛

(1.重庆邮电大学通信与信息工程学院，重庆400065；2.重庆邮电大学通信新技术应用研究中心，重庆400065; 3.重庆信科设计有限公司，重庆 401121)

1 引言

面部表情是人们传达情感和意图的自然而直接的手段，一个人的面部表情会无意识地流露出许多情感信息，如何让智能机器正确分析人类所表达的情感和情绪已成为人机交互领域中的研究热点，广泛应用于医疗检测、谎言检测和多媒体等领域。随着研究的深入，面部表情识别中的表情被分为7类[1,2]，包括快乐、惊讶、悲伤、愤怒、恐惧、厌恶和中性表情。当前面部表情识别的主要任务是特征提取和分类，传统的特征提取方法难以在不同的肤色、年龄、性别和光照条件等复杂条件下选择特征提取。近年来，面部表情特征提取方法层出不穷，有采用基于面部子空间的特征提取方法(比如主成分分析PCA(Principle Component Analysis)[3]、线性判别分析法[4,5]等提取面部细节局部特征的方法)、基于空频变换的傅里叶变换法[6]、基于直方图的局部二值模式LBP(Local Binary Patterns)特征提取法[7,8]和基于频率域的Gabor小波特征提取法[9]等。Gabor小波通过图像纹理表示特征信息，但Gabor变换效率低下；LBP特征，即局部二值模式特征，是通过对图像纹理灰度进行分析得到的分类能力良好的LBP特征，这类特征具有灰度不变性和旋转不变性，但在表情的表达上容易产生较高的维数，影响识别速度。以上特征提取方法都需要人工干预，且面部静态图像存在受光照变换、不同的头部姿态以及面部阻挡等干扰问题。……