摘要：人脸表情作为一种人机交互的方式，成为研究的热点。基于对人脸表情识别的基本分析，文章重点探讨了人脸表情特征提取和分类并在此基础上，提出了研究热点。
 
    关键词：人脸表情识别；特征提取；表情分类
 
    人脸表情含有丰富的人体行为信息，是情感最主要的载体，是智能的体现，对它的研究可以进一步了解人类对应的心理状态。计算机和机器人如果能够像人类那样具有理解和表达情感的能力，将从根本上改变人与计算机之间的关系，使计算机能够更好地为人类服务。表情识别是情感理解的基础，是计算机理解人们情感的前提，也是人们探索和理解智能的有效途径。人脸表情识别主要分成3个步骤：预处理，人脸表情特征提取，人脸表情分类。其中预处理部分主要是通过人脸检测或人脸跟踪以定位人脸。人脸的准确定位是人脸表情识别的前提。
 
    一、人脸表情特征提取的方法
 
    表情特征提取是人脸表情识别中的重要步骤，有效的表情特征提取工作将使其后的分类性能大大提高。人脸特征提取是指原始特征提取的数量很大，或者说图像样本是处于一个高维空间中，通过映射（或变换）的方法可以用低维空间来表示样本的过程。映射后的特征是原始特征的某种组合，特征提取在广义上是指一种变换。人脸表情的特征提取需要完成3个任务：首先需要获取表情的原始特征、外貌特征和序列特征，由于原始特征一般都存在着信息冗余、维数过高和区分性不够等问题，因此为了能够更有效地表征人脸表情的本质，需要对原始特征数据进行一些后处理，主要是特征降维和抽取，以降低特征的维数；其次需要对特征进行分解，去除对表情识别有干扰的因素，得到对分类更为有利的特征数据。人脸表情的提取根据图像性质的不同可分为静态图像特征提取和视频图像特征提取。静态图像中提取的是表情的形变特征，而视频图像特征是运动特征。前者提取的对象是表情模型，而后者是提取的是面部的动态变化。表情特征提取结果应该具备如下条件：能全面完整地表示出人脸表情的本质特征；尽可能去除噪声和光照的影响及其他与表情无关的干扰信息；数据表示形式紧凑、维数较低，有利于减少进一步加工的复杂度；不同类别表情的特征之间具有较好的区分性。
 
    （一）静态图像特征提取
 
    常用的静态图像特征提取常用方法有：主成份分析法pca（principle component analysis）、gabor小波法、基于模型的方法等。
 
    1、主成分分析法。主成份分析基于k-l正交变换，是一种无监督的线性特征提取方法。它的优点是最大化的保留了原始数据的差异，缺点是当样本类间离散度增大的同时，样本类内离散度也在增大。主成份分析现已成功用于人脸识别和表情识别。但是由于主成份分析只考虑到图像数据当中的两阶统计信息，并未利用高阶统计信息，而基于独立分量分析ica（independent component analysis）方法是基于信号的高阶统计特性的分析方法，经ica分解出的各个信号分量是相互独立的。除了ica，在pca方法基础上改进的算法还有：基于模板的pca法将人脸图像分割为小的子图像，对每一个子图像做pca，识别效果比传统的pca好。
 
    2、gabor小波法。gabor小波滤波器是一个由二维高斯函数衍生出的复数域正旋曲线函数，相当于一组带通滤波器，其方向、基频带宽及中心频率均可以调节，不同参数的gabor滤波器能够捕捉图像中对应于不同的空间频率、空间位置以及方向信息，这些使得其对于亮度和人脸姿态的变化不敏感。叶敬福提出了基于gabor小波的弹性图匹配识别，有效地提取了与表情变化有关的特征向量且能屏蔽光照变化及个人特征差异的影响，做到与人无关的表情特征提取，其效果明显优于基于pca方法。以小波变换后的低频信息作为研究对象，只提取低频信息，不仅减小了计算量、在一定程度上驱除了噪声的影响，而且抓住了表情变化的主要特征。pca和gabor小波都起着给数据降维的作用。pca是通过将分散在一组变量上的信息集中到某几个综合指标上来降维，而gabor小波则是通过把原始图像经过变换，减少子图像的尺寸来降维。
 
    3、基于模型的方法。基于模型的方法有：点分布模型pdm（point distribution model）和活动外观模型aam（active appearance models）等。pdm是一种参数化