人脸面部表情能够从侧面展现人心以状态,体现出人的行为信息,为我们研究人的心里活动提供了可靠的依据,人脸表情识别是建立在人脸面部丰富感情信息基础上发展起了的一门学科。目前用于人脸表情识别主要的方法有:欧式距离、支持向量机(SVM)、神经网络(NN)、隐马尔科夫(HMM)、Adaboost和线性判别分析(LDA)等等。Adaboost算法由于具有速度快、检测率高等优点,已被成功地应用在人脸检测领域,由于人脸表情变化绝大部分存在于眼睛和嘴巴上,基于此本文把眼睛和嘴巴看成独立的特征要素,利用Adaboost多表情分类算法对这些特征分别进行训练、提取与分类,再把眼睛和嘴巴的分类结果进行与运算,获得最终的人脸表情识别结果,这种方法可以大大减少冗余,降低训练的时间,提高阂值训练速度。但要把Adaboost算法用于人脸的多表情识别分类中,关键的问题是准确快速地训练出弱分类器阈值。特征训练是弱分类器阈值计算最关键的部分,而传统的训练样本是任意含有人脸表情的图像,本文中对训练样本进行改进,正样本是含了有眼睛和嘴巴的图像以及完整的人脸图像,而负样本采用的是去掉眼睛和嘴巴的人脸图像,利用此种方法训练出来的弱分类器误检率几乎接近于零,能够显著地提高识别分类效果。