人脸表情识别是当前计算机视觉、模式识别等领域的重要研究课题,是智能人机交互技术中的一个重要组成部分。研究表明,面部表情在人类情感交流中占有重要地位,人们可以从面部表情中获得很多信息,例如人的性别、心情以及健康状况等。对人脸面部表情的智能化识别有利于实现智能家居环境下对人体健康状况的监测,是当前AI应用研究领域的一个热点话题。本文主要采用机器学习算法实现对图像或视频中人脸目标的实时检测以及对人脸表情的分类识别,探索现有人脸检测和表情识别算法模型的优化方法,并将各功能模块移植到嵌入式平台上,在移动端搭建智能化人脸表情识别系统。具体研究内容包括以下几点:1.研究并实现多种人脸检测算法,综合对比算法之间的性能差异,考虑到算法移植至嵌入式端后硬件计算能力有限,选择检测效果和实时性都表现较好的基于卷积神经网络的MTCNN作为人脸检测基础算法,并对其进行改进优化,提出改进的人脸检测算法Res-MTCNN,在满足算力的前提下具有更好的准确率;2.人脸表情识别属于图像识别领域中的分类问题,为满足表情识别模块的任务需求,选取人脸识别领域中基于深度学习的Deep ID网络模型作为表情识别功能的基础模型,利用原网络对人脸图像优异的特征提取能力并引入残差模块和注意力机制,使修改后的网络模型更能适应表情多分类识别任务,在本系统提出的表情分类任务上识别准确率达到96.5%;3.在程序运行方面,提出双线程协同循环工作方式使人脸检测和表情识别并行运行,即对上一帧视频数据进行表情识别的同时对下一帧内容进行人脸检测。这种程序运行方式不仅可以提高系统的时间利用率,还可以为人脸检测模块提供更多可利用检测时间以提升模型的检测准确率;4.选取带有GPU芯片的NVIDIA Jetson TX2平台部署系统,在嵌入式移动端实现了人脸表情智能识别系统。实验表明,本文提出的基于机器学习的人脸表情识别与分析系统能在服务器端实现各部分功能模块并完整移植到Jetson TX2嵌入式系统中,完成对视频人脸表情的实时识别与分析。相对于GPU服务器端的运行结果,嵌入式端各功能模块识别准确率得到保持,尽管运行速度降为原来的四分之一,仍能满足处理的实时性要求。总体来说,该系统在嵌入式端的成功部署为未来实现新的人机交互提供了可行性方案和有益参考,具有潜在的应用价值。