人脸表情识别技术是计算机视觉领域中一项重要的技术,具有广泛的应用前景。三维人脸表情识别技术突破了二维人脸表情识别技术的瓶颈,对光照、姿态等外部干扰具有较高的鲁棒性,成为国内外的研究热点。与基于概率模型的三维人脸表情识别算法不同,基于特征的三维人脸表情识别算法提取人脸的纹理、拓扑结构等特征,能够实现更高效的表情识别。本文在对三维人脸表情深入分析的基础上,针对基于特征的三维人脸表情识别进行研究。本文主要的研究工作与创新点如下:1)提出了一种基于加权局部旋度模式(Local Curl Patterns,LCPs)的三维人脸表情识别算法。为了获得详细的表情描述,该算法引入旋度用于描述三维人脸的形状变化;接着为了提升旋度的局部曲面描述能力,采用LBP编码规则对旋度进行编码,得到LCPs特征;考虑到人脸不同区域受表情影响程度不同,采用ICNP算法对三维人脸进行划分,并计算各区域的最小投影偏差值以确定LCPs特征的表情权重;最后采用加权LCPs特征完成表情识别。实验表明,该算法能够提取具有高区分度的人脸表情特征,获得了较好的识别效果。2)提出了一种基于SSF-IL-CNN模型的三维人脸表情识别算法。为了解决三维人脸表情数据库规模较小、不适合于训练卷积神经网络模型的问题,SSF-IL-CNN模型将卷积核拆分为结构参数与强度参数,并由二者分别完成初始化与参数更新的任务,大大减少了模型实现对训练样本数量的需求;同时,该模型采用Island Loss函数构建损失函数,参与指导强度参数的更新,使得特征的类间距离增大而类内距离减小,进一步增强模型对表情的识别能力;此外,该模型同时采用三维人脸的深度图像与纹理图像进行特征学习,并采用特征融合层进行特征的融合以实现最终的表情识别。实验结果表明该模型对于小规模的数据集具有一定的有效性,并获得了具有竞争力的三维人脸表情识别率。3)提出了两种特征的量化评估方法。首先针对表情识别中特征的优劣进行了数学化表达,提出表情分辨力(DP)的概念,DP值越高,则特征的表情识别性能更佳;接着提出基于方差与相对熵的表情特征评估方法,方差越小则特征在表情内部的差异度越低,相对熵越高则不同表情特征的差异度越高,二者比值与DP值成正比;为了解决高维度特征的评估问题,接着提出基于余弦距离的表情特征评估方法,不同表情人脸样本的均值特征之间的余弦距离越小,则不同表情特征的相似度越高,相同表情人脸样本的所有特征与该类表情的均值特征之间的余弦距离越大,则特征类内相似度高,二者比值亦与DP值成正比。