微表情是一种非常短暂的、不能自主控制的面部表情,现实生活中只有少部分人能够察觉的到。与普通面部表情相比,微表情更能泄露人们的真实感受与动机,经常发生在人类试图隐藏或者压抑真实情感时,可以作为识别谎言的有效线索。由于微表情持续时间短、表情幅度弱,实现对它的自动检测与识别成为了研究的难点。本文提出了基于单演局部二值模式的微表情特征提取算法,并将其分别应用于静态图像和动态图像序列中,主要研究内容包括以下几个方面:(1)人脸特征点定位。针对表观参数模型(如活动外观模型)计算复杂度高等问题,本文提出并实现了监督下降法。该方法只需通过学习方向下降序列,就能很好地实现人脸特征点的检测,减少计算量。(2)针对微表情特征提取,本文提出了基于单演信号分析的单演局部二值模式(Monogenic binary pattern,MBP)算法,该算法应用较少的卷积运算,提取出更为紧凑的特征向量,显著地降低了时间和空间复杂度。由于微表情幅度比较微弱,动态特征提取能获得更全面的特征信息,本文将MBP的改进算法单演二值模式的三维正交平面(MBP three orthogonal planes,MBP-TOP)算法应用于动态图像序列中,得到更好的分类效果。(3)作为概率统计模型,隐马尔科夫模型(Hidden Markov Model,HMM)已经被成功从语音识别中应用到了人脸表情识别。本文提出了双层隐马尔科夫模型,并对训练过程进行了改进,在微表情识别中取得很高的识别率。本文实验在MATLAB 2013a环境下进行,选取了中科院的CASME和奥卢大学的SMIC微表情数据库。经实验验证,无论是在静态图像还是在动态图像序列中,本文算法相对于基于Gabor的算法都有了明显的改善,且大大降低了空时复杂度。