表情是人类日常交流中传达情感的重要方式,可以直观地反映人类的心理状态,因此表情识别一直是人工智能方面,国内外的热门研究课题。随着计算机技术和面部表情识别算法的不断发展,计算机能够通过分析人类表情获取人类情感信息,从而对人类的状态以及意图等信息做出判断,这在人机交互、智能医疗、监控监测系统等领域,具有重要作用和意义。卷积神经网络是人工智能研究的一个新领域。卷积神经网络的发展极大地促进了面部表情识别技术的发展。但是,在实际应用中,图像识别的精度常常受到图像像素尺寸的限制。为了解决该问题,本论文针对低像素表情图像的识别进行研究。本文的主要工作如下:(1)预处理表情图像。首先,使用面部检测算法从待识别的图像中检测面部的关键点。基于关键点信息,按照一定比例裁剪图像,使图像特征集中在面部表情区域中。然后,依次通过降采样,灰度处理,直方图均衡,亮度调节,和眼部区域互换的操作来生成新的表情图像。再次进行降采样,最后通过诸如镜像、旋转、加入噪声等操作进行数据增强,以获得足够的低像素表情图像数据。(2)研究不同的特征提取方式。分别对人脸关键区域和整个面部表情图像进行LBP特征提取和深度特征提取。其中重点放在卷积神经网络的改进上,在没有像素限制的情况下,面部表情识别具有足够的特征信息以优化模型参数并获得良好的实验结果。然鉴于研究对象像素低、特征复杂的特点,需要充分利用特征信息。本文参考了 Shortcut Connection连接方式和Highway Networks连接结构,当网络不断深化时,这种结构理论上可以使网络保持最佳状态,且结构更易于优化。达到可以添加足够的卷积层来增加网络模型的非线性的同时,减少梯度消失或梯度爆炸问题的目的。基于此,本文提出了一种改进的卷积神经网络,可以很好地提取面部特征完成低像素表情图像的识别。(3)为了提高识别准确率,将面部表情的关键区域特征信息和全局特征信息融合来进行识别。首先,将面部表情图像按一定比例进行裁剪,得到表情的嘴鼻区域以及眉眼区域图像,再通过LBP特征提取算法和PCA降维获得关键区域特征向量。其次,使用改进的卷积神经网络模型获得深层的全局特征。最后研究特征融合方法,分别提出了特征级的融合模型和决策级融合模型以获得最终识别结果。将两种特征融合方法与支持向量机多表情分类器结合,分别在CK+面部表情开源数据集上实验,取得了良好的效果,识别准确率较高,结果稳定。