人脸表情是与生俱来反映人情绪变化的生物特征。基于人脸活动单元编码系统分类获得的七种基本表情在不同个体之间具备相同的情绪含义,这一分类方法使表情的分类具备了科学标准与量化分析的可能性。随着计算机视觉技术的发展,表情的分类可以通过机器识别和神经网络技术实现自动化操作,让计算机模仿人眼实现对人脸表情的正确辨别。在表情识别研究上逐渐形成了从人脸检测、特征处理到表情分类三个基本流程。其中,人脸检测旨在解决人脸定位问题,为特征处理确定具体区域。特征处理主要包括特征提取、降维和分类,其中特征的提取可以根据分类器设计的需要使用不同的核函数提取出相适用的特征种类。表情分类是实现表情正确识别的关键步骤。研究过程中存在着诸多影响正确率的问题,比如光照、姿态、尺度等。本文对图像的预处理、特征提取及表情分类进行了研究,主要研究工作如下:1、恶劣光照条件下人脸检测问题。在日常环境中进行拍照或录像往往无法避免光照因素的影响。特别是在夜间、灯光及遮挡环境下非常容易导致无法有效检测人脸的情况,在安检、监控以及夜间拍摄上会影响效率甚至造成失误。为降低甚至避免光照因素造成的不良影响,本研究针对恶劣光照条件下人脸的检测进行了光照归一化的研究。本研究主要对直方图均衡化方法做了改进,基本思想是均衡化算法结合阈值分割算法对图像做分层次处理,对图像拼接滤波后可以得到很好的可视化效果,进而顺利实现人脸检测。2、基于机器学习的表情识别是人脸检测的一个重要研究方向,本研究在人脸检测的基础上,利用机器学习的方法,在图像处理、特征提取、特征分类阶段分别作了如下研究:图像处理阶段,在样本分割上本研究提出了基于集成回归树算法(ERT)确定出人面部核心区域的特征点,进而分割出不规则的人脸图像的方法;在特征提取和分类阶段,采用具有旋转不变性和光照不变性的LBP卷积核进行不同尺度的面部特征化处理,并在同一表情的基础上对不同人脸的同一区域提取出不同尺度的特征值,为Adaboost自适应增强算法提供训练数据。利用LBP提取的纹理特征具有很强的表情属性的特点,从数据层面排除了颜色、亮度、旋转角度变化的影响。同时由于circle LBP可以调整采样点半径和采样点数量,可以为Adaboost提供大量的训练数据。