微表情是一种快速而微弱的面部运动,是人类在试图掩饰或压抑某种情绪时,在脸上表现出来的一种短暂的、非自愿的表情。当人们意识到正在发生面部表情时,因为表现出的情绪可能不合适,可能会试图抑制面部表情,一旦发生抑制,人们会掩盖原始面部表情并引起微表情。微表情能泄露人们隐藏的情绪,并可能揭示他们的意图,所以微表情识别可以潜在地应用于医疗诊断、道路安全、刑事审讯、测谎和商业谈判等问题中。微表情识别方面存在一定的困难,这种困难是由于微表情的持续时间短和面部动作强度低造成的。目前的微表情识别研究方法主要集中在传统的算法领域和深度学习领域。在微表情识别问题上,人们虽然在传统的算法领域和深度学习领域进行了大量研究,但是难以取得像宏表情识别一样极高的识别率,距离实际应用仍有较大差距。针对现有的微表情识别方法存在的数据集小且含有信息冗余而导致微表情识别率不高的问题,论文在现有方法的基础上,提出了基于峰值帧特征的微表情识别方法。该方法包含四个部分:第一部分是微表情序列预处理模型,第二部分是峰值帧选取模型,第三部分是深度特征提取模型,第四部是深度森林微表情分类模型。方法选取峰值帧、次峰值帧、以及上述两帧的中间帧共三帧作为训练集,这样既可以获得比仅用峰值帧作为训练集规模更大的数据集,又不会导致引入过多微表情一般帧而带来信息冗余。同时,考虑到深度卷积神经网络和深度森林的各自优点,本文提出融合深度卷积神经网络和深度森林的微表情识别训练模型,该模型通过基于迁移学习的深度卷积神经网络自动提取特征,结合深度森林在小样本数据集上分类预测的优异性能,从而提高微表情识别率。最后,为了验证论文提出方法的有效性,论文以平均绝对误差作为峰值帧选取评价标准,以识别率、精确率、召回率和F1值作为微表情识别评价标准,同时以混淆矩阵直观地表示微表情分类结果中的各类之间的混淆情况。本文对由不同级联分类器构成的简易深度森林模型在不同超参数下进行了微表情识别对比,对使用峰值帧、次峰值帧和中间帧等三帧提取深度特征进行训练的最终深度森林模型,与使用峰值帧或全部帧的模型在微表情识别结果上进行了对比,同时将本文方法与现有方法的实验结果进行对比,实验结果证明,本文提出的基于深度森林的微表情识别方法能在一定程度上提高微表情识别率,具有可行性。