人脸表情识别是一个新兴的研究课题,在众多领域有广阔的应用前景。人脸表情识别系统分为三个阶段:图像预处理、表情特征提取和表情分类识别。本文以人脸表情为研究对象,以表情识别为研究目的,对人脸表情的特征提取算法进行分析与优化,旨在提高人脸表情识别的效率。人脸表情识别的特征提取方法又分为特征融合和特征降维,特征融合即对特征图像按照特定规则进行显著特征提取,特征降维即对特征数据进行主干信息选择,它们直接影响到表情识别的准确率。在表情特征提取阶段,由于人脸表情变化包含丰富的纹理信息,且不同的表情表现出的人脸不同的尺度变化,因此通常采用Gabor滤波器进行表情特征提取。针对Gabor小波提取多方向多尺度的图像特征维数过高的问题,本文提出了一种特征融合方法,将同一尺度下不同方向的特征图像按照特定的融合规则进行特征融合,在保证显著特征的前提下消除冗余,在一定程度上降低了冗余度,提高了特征准确性。在表情特征的降维阶段,本文提出了一种基于局部保持的主成分分析(LPPCA)算法,该算法结合了主成分分析(PCA)和局部保持投影(LPP)算法的优势,即保留了特征数据的方差信息的同时也保持数据的局部几何结构信息,既能提取图像的全局特征也对图像的局部特征有一定的提取能力,能够在特征维数降低的情况下鉴别不同表情的特征,进一步提高了人脸表情特征提取的有效性。本文采用日本女性人脸表情库(JAFFE)进行实验,由支持向量机(SVM)进行分类。本文改进算法的实验结果表明,特征融合改进算法可在一定程度上提高人脸表情识别的准确率和识别效率;而特征降维改进算法(LPPCA)不仅能够获得全局特征信息,也能获取局部特征,即能够比较全面的获取特征信息,所以在特征融合改进算法的基础上做特征降维,可进一步将表情识别准确率提高到96.86%。但实验结果也表明,特征降维改进算法在运算效率上有些微损失,因为其运算的时间复杂度较高。尽管如此,对于实时性要求不高但期待表情识别高准确度的应用场合,LPPCA算法带来的是更为完善的特征信息,是有其优势的。