人脸表情识别是模式识别领域中一个非常活跃的研究方向。人脸表情识别包括:从背景图像中检测人脸;在视频中对人脸进行跟踪;提取表情特征;表情识别。本文在人脸表情识别的四个主要环节上均进行了研究工作,主要工作体现在以下几个方面: (1) 采用了一种基于改进DT融合算法的人脸检测方法。复杂背景中人脸检测是非常耗时的,为了满足检测的实时性,在精确定位人脸之前,用肤色滤波方法确定候选人脸搜索区域。考虑到脸部轮廓信息和脸部区域信息的互补性,为了提高人脸检测的精度,采用了改进DT融合算法将边缘特征和面部区域特征融合,并用于人脸检测。 (2) 提出了一种新颖的基于遗传粒子滤波器算法的人脸跟踪方法。为了克服传统跟踪算法的局限性,采用粒子滤波器进行人脸跟踪。为了提高粒子滤波器的鲁棒性、精度,将遗传算法和粒子滤波器相结合提出了基于遗传粒子滤波器的跟踪算法,并用于人脸跟踪。 (3) 提出了一种基于KL变换的Gabor小波特征提取方法。Gabor小波提取的特征维数往往很高,为了提高算法效率和减少分类时间,在Gabor小波提取的特征基础上采用KL变换进行特征选取,并将压缩后的特征作为表情识别的特征。 (4) 采用了一种基于编码支持向量机的多分类方法,该方法解决了SVM多分类问题的同时,有效地减少了训练和测试时间,提高了算法的效率。为了克服有类别标签训练样本的缺乏以及许多样本表情类别模糊问题,采用了基于半监督模糊C均值的聚类方法对样本进行聚类。 采用本文的检测、跟踪和表情分类方法,可以实现快速鲁棒的人脸检测和跟踪,并且可以得到较高的识别率。