表情是人类日常生活中传达感情的一个重要途径,能直观的反映出人类的心理状态。随着计算机技术及人工智能的不断发展,表情识别已经成为国内外研究的热点。通过前期阅读大量的参考文献和书籍,本文对表情识别中相关算法做了深入研究。针对单一特征不能完全描述出原始的表情信息,本文提出了一种不同区域特征加权融合的特征融合算法。主要研究内容及工作如下:(1)首先利用Adaboost人脸检测算法,从待识别图像中检筛选出人脸区域,并通过水平及垂直方向投影的方法定位人眼位置,再根据人脸的几何模型即“三庭五眼”切割出纯表情图像,经尺度归一化以及灰度归一化等处理后,得到干扰信息较少的表情图像。(2)针对传统的局部二值模式(LBP)算法只是将一个计算单元内中心像素点的灰度值与其邻域像素点的灰度值相减,但其忽略了邻域像素点的之间相互关系的问题,本文提出了一种改进的LBP特征提取算法,改进的LBP算法是通过引入一个阈值M,该阈值是中心像素和邻域像素点的灰度值相减取其绝对值,再将每个绝对值相加取平均值得到。最后将中心像素和领域像素做差取绝对值并和阈值M进行比较,大于阈值编码为1否则为0。通过在多个表情数据集上进行实验,验证了本文改进算法的有效性。(3)针对单一特征不能准确描述原始特征信息的问题,本文采用一种不同区域加权的特征融合算法。利用LBP算法提取人脸区域的纹理特征,利用HOG算法提取眼睛眉毛区域以及嘴部区域的边缘及形状信息,并对这三个区域赋予不同的权值再做融合,再将融合特征信息送入分类器做分类识别。通过在不同的数据集上进行实验,验证了本文特征融合策略的有效性。(4)采用支持向量机(SVM)对表情进行分类识别。将处理过的融合特征送入SVM分类器中做分类识别,并在不同的数据集上和K最近邻分类算法(KNN)做了对比实验,验证了SVM算法优于KNN算法。