人脸表情识别在医学和民用领域有着广阔的应用前景,是目前的一个非常活跃的研究领域。人脸面部表情蕴涵着丰富而又细腻的情感和心理信息,面部表情识别主要涉及两个方面的问题,如何有效地获取人脸面部表情特征和如何开展表情分类分析研究。本论文主要研究内容与创新性工作包括以下五个方面:1)全面综述了人脸表情识别研究的历史和现状,阐述了人脸表情识别的三个环节相关问题,即表情识别的特征提取、分类和识别框架。在表情特征提取环节,总结了一些常见的表情特征提取方法;描述了表情图像预处理中常用的一些方法;分析了Gabor与Adaboost方法的特征提取基本思路;论述了主动形状模型与主动外观模型进行表情特征提取的算法描述;验证了采用基于流形算法进行脸部特征提取的可实现性。在表情分类环节,讨论了传统的两分类支持向量机可用于表情多分类的解决过程;给出了表情数据可以通过聚类分析算法进行先聚类后区分的思想,以达到最终的表情分类识别;引用了自相似传播聚类的算法思想,阐述其解决寻找最优表情分类中心的一般过程。在表情识别框架环节,设计了表情识别系统的一般流程框架。2)提出了基于Gabor特征与类间学习神经网络的表情识别算法。首先对Gabor小波特征与BP神经网络相结合的表情识别方法进行了研究与分析,并讨论了BP网络结构设计的一般模型,分析了隐层节点数选择的方案、网络常用传递函数和如何在实际问题中加以应用,同时对神经网络模型的学习过程进行了详细阐述,为类间神经网络的具体提出做好铺垫;然后提出一种类间学习神经网络表情识别算法,该算法给出了如何获取神经网络输入层所需要的特征,如采用Gabor小波变换提取人脸表情的局部特征,且只选择对表情贡献最大的特征区域,建立了类间学习神经网络的一般概念,阐述了类间学习神经网络的结构描述,并设计了类间学习神经网络的模型,分析了类间学习神经网络的训练过程,描述了表情识别实现思路;其次,针对局部Gabor特征与神经网络的表情识别方法进行了相关的实验,通过实验给出了一般表情对之间的距离判距,验证了通过类内期望输出和类间期望距离来修正网络的正确性;最后给出了一组实例样本进行表情分类识别。3)提出了基于ICA特征与隐马尔可夫模型的表情识别算法。首先介绍了基本的ICA模型,根据表情图像的数据输入空间构造ICA模型,描述了FastICA算法步骤,分析了FastICA算法求解分离矩阵的过程,采用了滑动子窗口提取训练集特征,得到了人脸表情基向量;然后介绍了粒子群优化算法步骤,利用其在数据空间搜索最优解的优良表现,将其引入到表情特征的快速求解上,避免了求解过程中的复杂计算开销,并比较分析了优化后的ICA与基本ICA进行特征提取所具有的不同表现;其次,介绍了HMM的一般概念,给出了HMM表情识别建模的详细过程,在确定HMM模型的各个参数上进行了实验分析比较,以落实最佳的参数为识别分类所用,给出了HMM的一般训练过程和基于优化后的ICA与HMM算法的表情识别体系;最后,比较分析了相近方法的研究,得出一些影响结果变化的因素,通过实验结果验证本文所提出思路的正确性。4)提出了基于活动外观模型特征与Adaboost的表情识别算法。首先介绍了ASM方法和AAM方法的一般概念;然后针对表情图像的标记点和轮廓线的构成给出了依据,并比较了ASM和AAM的不同,阐述了利用AAM提取人脸表情特征所具有的优势;其次,给出了Adaboost多分类算法步骤描述,为了能够将AAM获取的特征点值用于Adaboost多分类,构造了一种适合于Adaboost多分类所需要的Harr型特征,并应用此特征通过Adaboost分类器进行表情识别;最后,通过实验对训练集错误率等数据进行了分析,并针对不同方法之间的性能作出了分析比较。5)提出了基于流形特征与支持向量聚类的表情识别算法。首先针对目前用于表情识别主要的两类流形学习算法进行了介绍,根据LPP降维算法提出了一种有效的有约束机制,并在实验中验证了这种约束能够更好地优化投影矩阵的选择;然后给出了一种LCSVC的聚类过程,有效降低了表情类别的聚类边缘的部分干扰,在SVC聚类过程,采用MFA方法调整各个SV的权重;其次,设计了一个四层神经网络表情分类器,这一设计思路是一种表情识别方法的有效途径;最后,验证了系统中一些重要环节用到的参数,分析了不同方法之间的性能比较。