面部表情识别(Face Expression Recognition,FER)是人工智能领域的一个新兴的研究课题,研究目标是让一些人工智能产品例如机器人能够自动地识别出人的表情,进而分析人的情感。机器自动面部表情识别能够进一步增强人机交互的友好性与智能性,因此具有非常重要的研究和应用价值,是计算机视觉研究的重要组成部分。表情特征的提取方法是面部表情识别的关键技术所在,计算机自动识别人脸表情之所以困难,原因在于人脸是一个柔性体,为人脸表情特征建立精确数学模型的难度较高。脸部器官的位置稍有变动,表情就会发生巨大的变化,因而如何选择最重要的特征成为决定识别成功的关键。本文着眼于特征提取方法,用两种不同的方法对面部表情识别进行了分析和研究。为了增大类间差异,避免传统PCA方法以整体图像为对象的不足,更好的提取出表征面部表情之间差异的局部特征,本文在传统PCA的方法上进行改进,提出了类内分块PCA方法。该方法先对预先分好类的各类训练样本进行分割,得到无交叠的大小相同的子块,然后在子图像块的基础上实行PCA方法,捕捉局部特征。本文将改进后的方法应用于表情识别,并将这种方法和传统PCA方法进行实验,对实验结果进行了分析比较。基于PCA的2DPCA方法是目前广泛应用于人脸识别的特征提取方法,本文将融合Gabor滤波器和2DPCA的特征提取方法引入到表情识别中来,并对2DPCA方法进行了改进,计算训练样本向该向量投影后中表情脸类内距离和表情脸类间距离比值的大小,以此比值的大小来选取相应的对分类更有利的投影向量得到最重要的Gabor特征,论文将改进后的方法应用于表情识别,并将该方法和2DPCA方法、双向2DPCA方法进行实验结果的比较与分析。实验表明,使用两种改进后的方法得到的总体识别率均要高于使用之前方法的情况。