面部表情识别技术是情感计算、人机交互的重要组成部分,是近年来模式识别与人工智能领域的一个研究热点,其应用前景广泛。面部表情识别主要有三部分组成:表情图像预处理、表情图像特征提取和表情特征分类。本文在深入研究相关技术的基础上,针对表情图像的特点,综合考虑了全局和局部特性,在消除个体差异性、增强区分度、近邻空间调整以及融合模型等方面提出了合理方案和新的策略。本文的主要工作可以概括如下:(1)预处理部分:以日本JAFFE表情库为实验数据,在进行表情特征提取前,先进行人眼检测,截取人脸面部图像。再对截取好的面部图像进行旋转、裁剪和几何归一化等操作。图像经过预处理步骤后尽可能的留下有用特征,去除不相关因素如头发、耳朵和不同姿态的影响。(2)表情图像特征提取部分:①选择整体面部区域作为全局信息,眼睛、鼻子和嘴巴三个子区域作为局部信息;②采用差分图像降低个体特异性对表情的影响;③提出基于SLLE的改进策略进行特征降维提取:首先利用类别信息对样本间距离进行非线性奖惩,增强类别区分度;其次引入信息熵来衡量样本近邻点所属类别的复杂度,并以此调整样本近邻空间尺度,自适应选择样本近邻个数,加大近邻重构的可靠性。.(3)表情图像特征分类部分:采用二阶段稀疏表示方法进行表情特征分类,提出依据残差和置信水平在决策层加权融合全局与局部分类结果的集成模型。具体的说,本文提出全局和局部分类结果融合的二阶段测试样本稀疏表示方法用于人脸表情识别。将全局人脸分成若干不同的部件,先在各个部件上进行识别得到识别的结果,然后将各部件的识别结果和全局的识别结果通过加权投票的方法融合。通过与其它文献算法的实验对比可知,本文的集成模型相对于单一的全局模式识别,该方法实现了识别性能的提高。