随着计算机与人工智能的不断发展,人脸表情识别逐渐成为了人机交互和模式识别领域研究的热点。表情是人类进行情感交流的一种主要方式,人脸表情的变化过程中包含重要的动态纹理信息,通过提取图像序列的动态纹理特征能够有效地反映人脸表情的变化过程。但是人脸的形状、肤色以及光照等因素容易影响人脸表情识别的准确率,因此如何准确提取动态纹理特征对表情的识别是至关重要的。本文对人脸表情的特征提取和分类这两个主要的问题进行了深入研究,提出了基于动态纹理特征的人脸表情识别方法。本文的主要工作如下:在表情图像的预处理阶段,首先采用加权平均法将表情图像从RGB空间转换到灰度空间,并对转换后的灰度图像进行裁剪与缩放,然后利用中值滤波消除图像中的噪声干扰,最后通过直方图均衡来突出图像的对比度。在人脸表情的特征提取过程中,提出了一种三维正交平面的自适应对称中心二值模式算法(Adaptive Symmetric Center Binary Patterns from Three Orthogonal Panels,ASCBP-TOP),同时根据不同尺度对人脸表情图像序列进行分块,构建多尺度空间,并根据提取到的纹理特征信息的丰富程度,赋予各尺度空间的人脸表情图像序列的动态纹理特征直方图不同的权重,将加权后的各尺度空间的人脸表情图像序列的动态纹理特征直方图串联起来,得到整个人脸表情图像序列的动态纹理特征。采用加权多尺度的方式,能够全面地描述人脸表情图像序列的动态特征信息。采用支持向量机(SVM)分类器进行人脸表情的分类与识别,将提取到的人脸表情图像的动态纹理特征数据输入SVM分类器进行训练与测试,采用留一法,交叉验证选择SVM分类器中最佳的惩罚因子C以及核函数的宽度,并对人脸表情进行分类与识别。本文分别在Cohn-Kanade视频序列数据库和JAFFE静态图像数据库上进行了实验,结果表明本文方法的识别效果明显优于目前流行的LBP-TOP、CS-TOP、CBP-TOP以及LQP-TOP等方法,且在光照、姿态等方面的变化上具有很好的鲁棒性。