近些年来,人脸表情识别(Face Expression Recognition,FER)已经成为模式识别以及机器视觉领域中极具挑战性和深远意义的研究内容,人脸表情识别是指通过计算机分析特定的面部表情变化,进而让计算机了解其内心真实情绪,是实现智能人机交互等具有实际意义的应用成果。目前这项技术仍然处在研究阶段,还有许多问题需要研究人员不断的深入研究才能解决。本文阐述了表情识别研究背景意义、国内外研究现状,并对目前国内外主流的方法进行探讨研究,重点介绍了表情识别中特征提取的内容,并分析各种算法之间优劣。具体研究内容如下:一、对人脸表情识别算法进行全面的研究,深刻的剖析了各类特征提取算法,并对他们的原理及性能进行对比,确定了本文将研究重点放在人脸表情识别中特征提取的取部分。二、提出基于特征融合的单演中心对称LTP特征算法,针对融合的每一部分特征进行详细的分析,包括局部二值模式(LBP)、局部三值模式(LTP)、单演信号分析(Monogenic Signal Representation)以及这些算法的改进模型。局部二值模式以及它的改进版本均是经典且高效的纹理描述子,正因为其出色的性能,使得其在生物特征识别等模式识别任务中都要将其列出分析及讨论。单演信号分析因为其独特的特征提取模式,使得图像特征信息表征的非常充分。因此,提出了融合单演信号与中心对称局部三值模式的方法(M-CSLTP),充分利用了单演滤波的高特征表达能力和LBP稳定的纹理表达能力,结合二者之所长,能够大幅度改善识别的精度。三、针对中心对称的局部三值模式存在的问题,提出动态阈值调节的方法对其进行优化。对中心对称局部三值模式与单演滤波器编码匹配问题进行研究:首先通过裂化中心对称三值模式对单演幅值进行编码,并结合单演相位信息、单演方向信息,然后通过融合三部分信息产生一个八位二进制码代表新的表情特征,最后使用最近邻分类器进行分类识别。算法有效地提高了表情的识别率,并对噪声和光照情况更加鲁棒。