柳 璇，唐颖军，黄淑英

(江西财经大学 软件与物联网工程学院，南昌 330032)

1 引 言

面部表情能够传递人内在的情感信息，是人类表达情感的主要方式.由于人的面部表情比其他情感信号更易获得，因此面部表情识别一直是备受关注的研究热点，并且应用到心理分析、临床医学、车辆监控、远程教育等领域.

面部表情识别的过程可分为图像预处理、特征的提取、表情分类3个步骤.其中特征的提取是面部表情识别过程中的关键步骤.传统的表情特征提取方法主要分为两类，纹理特征提取和几何特征提取.纹理特征提取方法有Gabor 小波变换[1]、尺度不变的特征变换(SIFT)[2]和局部二值模式(LBP)[3]等.几何特征提取方法主要利用面部动作单元变化较大的特征点来描述几何变化.但是人工提取特征存在识别性能有限，并且泛化能力不足的问题.

随着深度学习的快速发展，面部表情识别的研究出现了许多新的方法.在大多数情况下，卷积神经网络CNN需要大量的训练数据才能提取有效的特征.但是目前面部表情数据集数量有限，而手工特征的提取不需要大规模数据的训练，因此将手工特征和深度学习结合起来的方法受到关注.Connie等[4]将SIFT特征与CNN 特征相结合取得了较好的性能.但是，对于模糊的图像而言，SIFT特征检测出的特征点过少，有可能降低该类方法识别的精度.Yang等[5]提出一个基于面部灰度图和LBP特征图的双通道网络.将面部灰度图像输入预训练的VGG网络，LBP特征……