高涛，杨朝晨，陈婷，邵倩，雷涛

（1.长安大学 信息工程学院,陕西 西安 710000;2.陕西科技大学 电子信息与人工智能学院,陕西 西安 710021）

情绪包含大量的情感信息，当人们面对面交流时，情绪会自动或不自觉地通过面部表情表现出来[1]。随着人工智能技术的飞速发展，人脸表情识别(FER)已成为计算机图像处理中一个重要的研究课题。

人脸表情识别主要包括预处理、特征提取和分类识别3个部分[2]。其中，算法识别精度高低主要由特征提取方法决定。人脸表情特征提取方法主要分为基于传统特征提取的方法和基于深度学习的方法[3]。传统的特征提取方法主要包括局部二值模式(LBP)[4]、类Haar 特征[5]、Gabor 小波变换[6]和方向梯度直方图(HOG)等。Li 等[7]基于LBP 方法提出了一种使用三个正交平面的局部二值基线方法(LBP-TOP)，一定程度上消除了光照变化的影响，但旋转不变性使得算子对方向信息过于敏感。为了解决这一问题，Rivera 等[8]学者提出的局部特征描述符LDN 利用梯度信息使得算子对光照变化和噪声具有较强的鲁棒性。然而，传统的表情识别算法无法有效处理由于不同姿势、遮挡等引起的非线性面部外观变化，难以有效提高分类水平。

近年来，深度学习凭借其优异的特征提取能力逐步应用于人脸表情识别领域。Kim 等[9]学者对适用于大规模图像识别的VGG-face 模型进行渐进式微调识别人脸表情，但大多数人脸表情数据库样本较少导致该网络易出现过拟合问题。An等[10]学者提出了一种基于MMN 线性激活函数的自适应模型参数初始化方法，可有效克服过拟合问题，但面对含有大量表情无关因素时算法鲁棒性较差。……