表情识别是当前研究的热点方向之一,对于情感分析,人机交互,智能系统方面有重要的意义。人脸运动单元的识别是表情识别的基础,能更加精细的分析不同情感与精神状态下面部特征变化,促进更好地分析表情。面部表情含有丰富的信息,但目前的AU识别研究大多数针对传统的基本表情,突破传统表情,深入挖掘诸如疲劳,困惑等特定表情的AU特征,并对相关AU进行有效的识别,对拓展表情识别的研究以及应用领域都具有广阔的前景。本文从面部表情的角度出发分析疲劳特征,深入分析了疲态人脸特征并探讨显著特征的AU表示方法。FACS理论将不同面部动作进行分解并用独立的AU单元来表示,这为情感分析,表情建模提供了可靠的依据。通过对疲态人脸特征的动作分析,总结出能表示疲态的AU单元。但FACS仅仅为指导性的系统理论,其中脸部运动单元也为单纯的静态的空间模板,然而表情动作的产生是一个面部多肌肉动态合成过程,为了凸显这一特征,文中通过检测图像序列来提取特征并进行动态AU单元识别。本文算法采用光流法提取动态特征,光流中包含对象的运动信息,可被用来表示目标对象的运动情况。在处理之前采用AMM定位人脸特征点并划分特征区域,区域划分有助于更有针对性分析人脸特征,有效去除冗余信息,减少计算量。由于光流特征数据的维度较高,不适合直接进行分类处理,因而采用PCA进行降维处理,通过提取降维后的系数序列达到降维的目的,同时将多帧AU图像PCA系数组合构造特征值序列。在建模阶段,针对序列观测值为多维行向量的特点,采用连续型的隐马尔科夫模型来建立疲态特征的AU单元模型。连续隐马尔科夫模型的观测值概率则用混合高斯模型来建立,模型的状态数以及高斯混合系数均由实验分析得出。实验测试了特征值生成方案,确定了相关参数并建立AU单元HMM模型,最后对疲态样本以及非疲态样本下的人脸AU单元识别进行了测试分析。验证了本文方法能较好识别人脸AU单元以及疲态人脸中简单AU组合。另外,对细微动作的AU单元识别还有待提高。