马金峰

（南京邮电大学通信与信息工程学院，江苏 南京 210003）

1 引言

人脸表情识别是计算机视觉领域的研究热点之一。不同于语言交际，人脸表情是人类情绪表达的一种直接方式。相较于语言，人脸表情当中往往蕴含着更多的信息，心理学家Albert Mehrabian[1]提出了著名的55-38-7法则，她表示人与人之间交流的信息55%是由人脸表情传递的，38%是由说话时的语调传递的，而仅有7%是由所说内容传递的。之后著名心理学家Ekman 发现，有7 类基本表情是全球通用的，各种族间可以相互识别，甚至连与世隔绝的部落和哺乳动物都有着相似的表情。据此，Ekman 和Friesen[2]通过对各种文化的大量研究定义了7类基础表情：生气、厌恶、害怕、自然、开心、悲伤和惊讶。人脸表情识别目前主要的应用领域包括人机交互、安保、医疗、通信、安全驾驶等等。

随着人脸表情识别应用的领域不断增加，人脸表情识别算法也在不断发展，传统的人脸表情识别的算法有：基于几何特征的主动形状模型（ASM），活动外观模型（AAM）与尺度不变换特征转换；基于整体统计特征的主成分分析法（PCA），独立成分分析法（ICA）；基于频率特征的Gabor小波变换法；基于运动特征的光流法等[3]。由于传统的特征提取方法容易受到图像的背景、光照强度等噪声的影响，所以其对于特征的提取方法复杂且需要单独的分类方法进行分类，并且往往最终的识别准确率较低。相较于传统的方法，深度学习方法往往对图像有着较好的特征提取能力，避免了传统的人脸表情识别算法中繁琐的人工提取特征的步骤。……