人脸表情识别是近几十年来才逐渐发展起来的一个科研热点,指利用计算机分析特定人的脸部表情及变化,进而确定其内心情绪或思想活动,实现人机之间更自然更智能化的交互。它在许多领域都有着潜在的应用价值,如自然和谐的人机交互、人工智能、机器视觉、安全驾驶、公共场合安全监控、辨别谎言、电脑游戏等。故而对面部表情进行的分析与识别研究具有重要意义,是人机自然交互深入研究过程中所必须解决的重要课题。本文首先综述人脸表情识别的研究意义和应用以及研究现状,总结归纳目前的人脸表情识别方法,介绍人脸检测和图像预处理中的归一化。本文重点研究以下几个问题:1.研究表情识别中压缩后图像大小对识别率的影响和PCA特征维数对识别率的影响。通过在JAFFE和CED-WYU(1.0)库上实验得到几个有用的结论,一、压缩后图像的大小不一定是越大,识别率就能越高。当压缩后图像的大小达到一定的程度之后,图像大小不再会影响识别率的高低。二、PCA特征维数选取跟选择的分类器有很大的关系。三、压缩后大小不同图像识别率最高时的PCA特征个数基本上相同。四、嘴识别率在PCA特征维数很小的时候就达到最高。这些结论提供一定的参考价值,为后续进行表情识别做了铺垫。2.研究基于Hopfield网调整后人脸表情图像的非特定人表情识别。这种方法是先选取一套做得较好表情作为标准样本,用Hopfield网对这个标准样本进行训练。再把样本库中的全部样本用这个训练好的Hopfield网进行调整,由于Hopfield网具有吸引稳定作用,会使样本库中样本向标准样本中相似的样本靠拢,这样相当于利用它们的相似拉开了各类表情样本的距离,有利于后续的分类。实验结果表明,采用Hopfield网调整后的识别率得到了较大的提高。3.研究基于整体识别和局部识别的融合方法进行表情识别的方法。基于全脸的整体识别和嘴、眼睛、鼻子各局部表情识别的结果,采用多分类器组合规则再进行融合的方法,这样融合了整体识别和局部识别的优点。用PCA+LDA提取特征,分别用线性Bayes(LDC)和k-近邻(KNNC)分类器进行分类取得整体识别和局部识别,再分别用积结合方法融合和Dempster-Shafter多分类器融合两种不同的融合的方法进行融合识别。通过实验,证明这种方法的有效性。