摘要
人脸表情识别是人工心理和人工情感理论研究的重要组成部分，涉及到图像处理与分析、模式识别、计算机视觉、计算机图形学、人工智能、认知科学、生物学等多种科学，对它进行深入研究能够促进这些科学的发展与进步。心理学家将面部表情分为六种基本类型:生气，厌恶，害怕，高兴，悲伤和惊讶。本文在六种基本表情上研究表情特征的提取和分类。由于表情是很复杂的，通过单一的特征不能充分的表现和描述，因此本文主要研究了两种表情特征提取方法，并将两种特征进行决策级融合来改善表情分类的问题。本文的主要工作如下: 1.基于DT（Differential Texture，差分纹理）特征的人脸表情识别方法。该方法首先建立一个标准参考模型，该模型内分布55个面部特征点，这些特征点主要位于嘴，眼睛，鼻子，眉毛和人脸轮廓处。分别对某个体的非中性表情图像和中性表情图像应用ASM（Active Shape Model，主动形状模型）定位相应的55个特征点，然后对这些点应用三角剖分，并将内部纹理映射到标准参考模型框架内。最后，将映射到标准参考模型框架内的非中性表情图像和中性表情图像之间的差值作为DT特征。实验表明，使用DT特征进行表情识别具有较好的识别率。 2.基于LDP（Local Directional Pattern，局部方向模式）特征的人脸表情识别方法。并介绍了LDP的变形:LDPv和LSDP。LDP通过计算八个方向的边缘响应值进行计算LDP编码值，因此LDP特征具有很强的抗噪能力，可以更好的提取边缘信息。实验表明LDP特征具有较高的表情识别率和鲁棒性。 3.基于DT特征和LDP特征DS（Dempster-Shafer）决策级融合的人脸表情识别方法。该方法将DS证据理论引入到表情识别的决策级。DS证据理论能够处理不确定性的问题，它可以把表示不确定的概率分配值直接分配给不知道的事件，也就是能分配给识别框架(☉)里的任何命题。实验结果表明，该方法能在一定程度上提高表情识别的鲁棒性和识别率。
NETL