人脸表情,体现着人类内心复杂的感情变化,传递着丰富的情感信息。人脸表情识别的研究对于改善人们生活品质和生活方式有着巨大的作用,广泛应用于安全、人工智能、情感机器人等领域,已逐步成为当今的研究热点。针对目前表情识别容易受噪声、光照影响,识别率较低等问题,本文提出了一种基于多尺度LBP(Local Binary Pattern)的表情特征,即融合图像重要区域分配权重的Gabor特征与多尺度直方图统计法的ACILBP(Around Center Instable Local Binary Pattern)特征。首先,使用Haar型的Adaboost算法对图像进行人脸检测,对检测到的人脸进行几何归一化、直方图均衡化、灰度归一化。在此基础上,论文定义两种表情特征,既图像重要区域分配权重的Gabor特征、多尺度直方图统计法的ACILBP特征。图像重要区域分配权重的Gabor特征首先提取眼睛、鼻子和嘴三个重要区域的Gabor特征,之后提取整幅表情图像的Gabor特征,最后对两个特征分配不同权值,并进行串联融合作为图像重要区域分配权重的Gabor特征。ACILBP特征首先提取LBP特征,之后提取NLBP(Near Local Binary Pattern)特征,最后根据两个特征对应位置值是否相等,以及对应位置绝对值大小,判定得出最终ACILBP特征值。在提取ACILBP特征时提出多尺度直方图统计法,该方法对表情图像进行两个尺度划分,在每个尺度上分别分块统计ACILBP特征直方图,该方法能够兼顾局部纹理信息和整体纹理信息。其次,对提取出的两个特征进行串联融合,融合后的特征输入到支持向量机和极限学习机进行训练和测试,最终获得表情分类与识别结果。最后,本文选取CK数据库和JAFFE数据库进行实验,与正交局部二值模式、对称局部图结构、抗噪局部二值模式、强鲁棒性局部二值模式、局部网格模式、联合局部二元模式、中心对称局部二值模式、多尺度局部二值模式、扩展局部二值模式等9种算法进行对比,经过实验验证,本算法具有更高的识别率和鲁棒性。