人脸表情识别是人机交互领域中的一个重要课题,具有重要的理论研究意义和应用前景。实现计算机对人脸表情识别将增强计算机的智能化和人性化以及推动心理学等学科的发展,同时由于人类情感和人脸表情的复杂性、特殊性,又使得人脸表情识别成为一个极具挑战性的课题。　　 本文分析和研究了目前国内外关于人脸表情识别的大量文献,对使用计算机进行人脸表情识别的若干关键问题进行了探讨,针对人脸表情识别中表情特征提取和多分类器融合识别等方法进行了较深入的研究。实验表明新提出的特征提取算法和改进的模糊积分融合识别方法对人脸表情识别是合理、有效的,具有一定的理论价值与应用价值。本文的研究工作主要包括以下几个方面:　　 (1)设计实现了符合实际应用的人脸图像预处理算法。人脸表情图像的预处理是表情识别研究中的一个重要环节,其效果在一定程度上会影响到表情识别的准确率。图像预处理需要实现彩色图像转化为灰度图像、人脸检测、图像尺寸归一化以及狄度均衡化等,为后续的表情特征提取和表情分类提供有效的表情图像信息。　　 (2)提出了基于Gabor小波和稀疏表示的人脸表情特征提取算法。通过分析Gabor小波和稀疏表示的生物学背景和数学特性,提出了一种基于Gabor小波和稀疏表示的人脸表情特征提取新算法。该方法针对静态人脸表情图像,首先对预处理后的表情图像采用Gabor小波变换进行特征提取,然后利用所有训练样本的Gabor特征建立超完备字典,再由此通过稀疏表示模型来稀疏优化人脸表情图像的特征向量。将该方法应用于自然交互环境下的人脸表情识别,实验结果表明,Gabor小波变换与稀疏表示结合能够更有效地提取表情图像的特征信息,从而有效地提高表情识别率。　　 (3)提出了基于可分度和支持度的模糊密度的表情融合识别算法。模糊积分理论可以有效地处理分类决策不确定性问题,针对当前对其模糊密度的确定方法未充分考虑到各个分类器识别结果的可区分程度以及各分类器对识别结果的支持程度情况,而丢失了融合识别的相关信息,提出了基于可分度和支持度的模糊密度赋值的人脸表情融合识别方法。该算法是根据各个分类器对待识别样本的识别结果的可区分程度和支持程度对分类器的融合模糊密度进行自适应赋值,从而有效地实现多分类器融合识别。将该算法应用于自然交互环境下的人脸表情识别和Cohn-Kanade表情识别,实验结果表明,该算法能有效地提高总体表情识别率。　　 (4)设计并开发了人脸表情识别原型系统。采用面向对象的设计思想,设计实现了基于稀疏表示和自适应模糊密度的人脸表情识别原型系统,并验证上述方法的有效性。