1、表情是人類表達(dá)情緒的基本方式之一，人臉表情在人們交流中有著重要的作用，它不僅可以準(zhǔn)確表達(dá)人類的思想感情，而且也可以通過人臉表情來了解對(duì)方的態(tài)度和內(nèi)心世界。通過計(jì)算機(jī)理解人的情感、適應(yīng)人的自然交流方式，是未來發(fā)展趨勢(shì)。因此，人臉表情識(shí)別相關(guān)技術(shù)成為了人工智能、計(jì)算機(jī)技術(shù)、心理學(xué)、神經(jīng)學(xué)和生理學(xué)等諸多領(lǐng)域的研究熱點(diǎn)，并推動(dòng)了一些相關(guān)學(xué)科的發(fā)展，具有重要的理論意義和實(shí)用價(jià)值，與之相關(guān)的產(chǎn)業(yè)能夠產(chǎn)生較大的經(jīng)濟(jì)和社會(huì)效益。
　　在人臉表情識(shí)

2、別過程中，特征提取和分類識(shí)別是其核心部分，決定著識(shí)別效果的好壞，因此，本文以人臉表情圖像的特征提取及分類識(shí)別方法為主要內(nèi)容進(jìn)行了較深入的研究。針對(duì)現(xiàn)有表情識(shí)別算法的研究現(xiàn)狀，本文提出了結(jié)合分層LBP與改進(jìn)Adaboost的人臉表情識(shí)別，主要包括以下內(nèi)容:
　　(1)在特征提取階段，首先分別介紹了LBP和Gabor小波兩種常用特征提取方法，分析兩種方法的優(yōu)缺點(diǎn)，然后，提出一種分層LBP的特征提取方法，采用不同分塊方式對(duì)圖像進(jìn)行兩次分

3、塊，分別提取圖像的整體和局部信息，并采用權(quán)重策略對(duì)眉、眼、口所在分塊賦予更高的權(quán)值，突出其重要性，更好地提取描述人臉表情的特征信息，既解決了高維大數(shù)據(jù)問題，又實(shí)現(xiàn)了較高識(shí)別率。
　　(2)在分類識(shí)別階段，本文研究了Adaboost算法，其核心思想是針對(duì)同一訓(xùn)練集訓(xùn)練不同的若干個(gè)弱分類器，然后將其線性組合成一個(gè)更強(qiáng)的強(qiáng)分類器。算法通過調(diào)節(jié)樣本權(quán)重，使分類器更加注重那些不易區(qū)分的樣本，本文在調(diào)節(jié)樣本權(quán)重方面作了改進(jìn)，不再僅僅依賴弱分類

4、器的識(shí)別效果判斷樣本的重要性，同時(shí)考慮到當(dāng)前若干弱分類器組合在一起的強(qiáng)分類器的識(shí)別效果，即弱分類器選擇特征時(shí)更注重其在強(qiáng)分類器中的表現(xiàn)，這樣，增強(qiáng)了Adaboost分類器的性能。
　　(3)針對(duì)人臉表情多類識(shí)別問題，研究了利用Adaboost算法進(jìn)行多類分類的問題，分別介紹了1對(duì)1和1對(duì)多兩種分類策略，總結(jié)了兩種策略的優(yōu)缺點(diǎn)，通過實(shí)驗(yàn)對(duì)比，1對(duì)多分類策略雖然在分類器個(gè)數(shù)少于1對(duì)1分類策略所需訓(xùn)練的分類器個(gè)數(shù)，但后者在識(shí)別效果上遠(yuǎn)遠(yuǎn)