面部表情识别是人工智能领域的一个新兴的研究课题,研究目标是让计算机能够自动的识别出人的表情,进而分析人的情感。计算机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。在分析了目前国际上面部表情识别算法的基础上,本文着重研究了基于Boosting算法的面部表情识别和几种特征提取和分类的方法,并进行了相关的测试。论文的主要内容如下： 1.从情感出发。简单的介绍了情绪理论的基础,介绍了表情识别的研究历史与现状。讨论了情感识别在国际与国内研究的状况,介绍了情感的基本理论和背景。并介绍了人脸表情识别的研究历史意义,简单介绍了表情识别库,并针对表情识别的难点、优势和不足做了简要的说明。 2.研究了人脸检测算法以及表情图像的预处理方法。主要使用Adaboost机器学习算法来进行表情识别,其核心意义在于通过对样本的训练可以将识别率较低的弱分离器变成强分类器,从而提高识别的准确率。本文对于Boosting算法做了着重的介绍,包括PAC学习模型,Boosting算法的背景历史以及算法的理论模型做了介绍。并着重介绍了Adaboost算法来历和其算法步骤。 3.在分析了多种特征提取的算法基础上,本文分别采用了基于积分图原理和基于主分量分析算法(PCA)和局部二元模式(LBP)原理的分类器作为Adaboost算法的弱分类器进行表情识别,并使用人脸表情库对结果进行测试并对测试的结果进行分析。还将其结果同其他表情识别算法进行比较。可以得出结论基于上述三种算法为弱分类器的Adaboost算法进行表情识别可以取得比较良好的分类识别效果。 4.根据论文中研究的表情识别算法,开发了一个表情识别原形系统。该系统可以对输入图像进行实时判别,得出高兴、厌恶、悲伤、生气、惊讶、恐惧及中性共七种表情。