进入人工智能时代以来,在人机交互、计算机视觉等领域中人脸表情识别技术一直扮演着重要角色,并随着现代计算机硬件和软件的不断契合与完善,逐渐成为广大研究者的关注热点。本文着重研究静态人脸表情识别算法及其相关数据库的数据增强方法,具体研究工作如下:1.阐述了人脸表情识别技术和数据增强方法的研究背景和现状,并从人脸表情识别的各个步骤入手,详细描述了各个环节的关键技术以及常用的相关算法。此外,还介绍了关于生成对抗网络的相关理论,并对其衍生模型做了一些简要的分析和讨论。2.针对局部二值模式(LBP)和梯度方向直方图(HOG)进行特征描述的不足,提出一种融合双编码局部二值模式(DCLBP)算子和绝对梯度直方图(HOAG)算子的人脸表情识别方法。该方法首先对静态图片进行人脸检测,并对检测出来的人脸区域进行几何变换、尺度归一化和滤波处理,以克服光照、姿态、噪声等不利因素对表情识别的影响;其次利用DCLBP算子提取人脸图像的局部纹理特征,利用HOAG算子提取人脸图像的局部形状特征;然后,采用典型相关分析法(CCA)融合所提取的两种特征,充分发挥两种特征的互补性和识别性能;最后,利用支持向量机(SVM)进行人脸表情分类。实验结果表明,与单一特征识别方法和级联特征识别方法相比,本文方法获得了更好的识别效果,在Cohn-Kanade(CK)和JAFFE数据集上的实验分别达到了100%和99.05%的识别率,与其他相关方法的比较也验证了所提方法的有效性。3.研究了现有人脸表情数据库样本量不足、类别不均衡以及构建新库成本高的问题,针对传统生成对抗网络在数据增强方面的不足,提出一种基于改进星状生成对抗网络(Star GAN)的人脸表情数据增强方法。该方法首先在Star GAN的基础上改进了模型的结构,并调整了损失函数,以解决Star GAN的生成图像在局部区域出现的模糊、黑化等不良问题;然后利用掩模向量将Celeb A数据库的风格与CK+数据库的风格进行联合训练,实现了跨数据集的多风格人脸表情图片生成。实验结果表明,与传统的利用图像几何变换和像素值变换的数据增强手段相比,该方法不仅提高了样本的数量,解决了数据不均衡的问题,而且还丰富了模型所提取的特征,增加了模型的适用性。