微表情识别理论冲破了普通人脸识别理论的限定,使用动态方式来捕获局部信息是其主要趋势。微表情不仅短暂且变化强度较低,能够反映出人们试图隐藏的情感。训练有素的人类专家仅可以获得低检测率,而自动微表情识别系统可以获得较高的检测率。由于微表情的细微化和局部化,因此对于它的研究主要是从高频视频中提取局部动态信息来检测和分类。微表情分析包括四个步骤:面部检测,面部定位,特征提取和表达识别。重点是面部定位和特征提取,一旦检测到面部,就会找到基准点。在许多面部表情识别中,面部定位是必要的,目的是使面部正面化。特征提取过程包括两个方面:预先设计和学习。预先设计是人工提取相关信息,学习是从训练数据中自动学习。本文主要针对传统的部分微表情识别算法的不足进行改进,从而优化算法,提高算法的识别精度,具体的研究工作有以下几个方面:(1)SRC算法是微表情识别算法中较有效的一种算法,该算法运用稀疏表达和字典学习技术进行微表情识别,直接使用整套训练样本作为稀疏编码的字典,从训练样本中学习字典而不是使用预定义的字典进行学习,这样可以产生最有效的结果。然而,该算法有一个前提,即所有错误分类导致的损失是相同的。但是在一些微表情识别中,不同的错误分类可能导致不同的损失,所以该算法有一定的局限性。为了解决这一问题,在SRC算法的基础上提出了成本敏感稀疏表达,即CS-SRC算法,该算法设计的字典能够产生成本敏感的稀疏编码,可以解决SRC算法的局限性问题。CS-SRC算法主要引入了一个新的“成本”惩罚矩阵,并在整个学习过程中强制执行成本敏感,运用替代优化方法有效地获得最优解。(2)LBP算法可提取微表情纹理特征,但包含图像时空变化问题以及冗余差分现象,为了解决这一问题,提出了改进算法:通过三个正交平面相交产生相交线,由相交线获得时空领域的点,去除掉冗余的交点,以提供更紧凑和显著的表达,获得更小的计算复杂度。另外,识别精度和计算复杂度方面获得了明显的提高。(3)针对稀疏的微表情运动,提出一种算法:鲁棒主成分分析算法(RPCA)。该算法是一种数据分析方法,很大程度上是将高维数据降成低维数据。运用改进的EOH算法和BGC算法进行局部纹理特征提取,能够解决微表情序列时空领域问题,获得较高的识别精度。