面部表情识别技术是人工智能和模式识别领域的研究热点,同时也是一个具有挑战性的课题,涉及人机交互、计算机视觉、图像处理等领域,具有广阔的发展空间。但是由于表情特征易受到光照、噪声等干扰,导致识别效果不理想。针对表情特征的复杂性,本文的研究目的就是提高表情识别率。具体工作如下:1.系统地总结了面部表情识别的技术方法,其中重点对特征提取方法和分类器设计两方面进行了研究。研究了 PCA、HOG和ULBP这三种常用的表情特征提取方法,对PCA方法中的能量值取值问题进行了讨论。并对PCA、HOG和ULBP三种特征分别进行了面部表情识别实验。讨论了几种常用的表情分类方法,重点研究了稀疏表示分类方法。分析了几种稀疏求解方法以及超完备字典的构建,对稀疏表示分类算法在面部表情识别中的应用进行了详细分析。2.由于不同表情特征在表情识别方面具有互补性,使用特征融合方法对不同的特征进行融合。重点研究了基于CCA的特征融合方法及在表情特征融合中的应用。通过变换函数将特征从高维映射到低维空间,达到降维的目的。并通过与单个特征的表情识别结果进行对比验证了 CCA方法的有效性。3.针对表情识别的多类分类问题,本文主要对基于稀疏表示的分类方法进行了研究。对基于CCA特征融合的特征提取方法进行了实验验证。并与PCA、HOG和ULBP特征提取方法的表情识别率进行了对比,进一步验证了 CCA方法的有效性;对不同稀疏度下的表情识别率进行了对比,找出最适合的稀疏度;对PCA方法中不同能量值进行了实验,找出最佳的能量值。通过与SVM分类方法下的表情识别率进行对比,验证了本文表情识别算法的优越性。