人脸表情识别是计算机视觉领域的经典研究课题之一,一般是指从静态图像或图像序列,甚至动态视频中识别出特定的表情状态,以此来确定被识别对象的内心情感。基于几何特征的人脸表情识别主要基于以下理论:面部表情的变化必然伴随着人脸形状的改变,比如“惊讶”通常表现为张大嘴巴、睁大眼睛等。现有算法主要有两个方面的不足,一方面,用于表情识别的几何特征通常是人脸面部关键点的几何关系,如两点间欧氏距离、三点构成的三角形的特性等,但是这种特性被局限在二维空间内,不能反映表情的本质特征;另一方面,人脸面部的多个关键点和基于此提取出的几何特征对于识别的贡献略有不同,有些是冗余甚至是噪声,可以对此进行优化,实验并验证是否可以使用较少的特征获得更好的性能。特征提取是人脸表情识别过程中最关键的环节,一个好的特征提取及选择方法在很大程度上决定了人脸表情识别的分类准确率。本文针对于非理想环境下存在的问题以及人脸表情识别精确度和泛化能力较低的情况,深入分析了现有的人脸表情特征提取方法,提出了新的基于几何特征的人脸表情识别算法,实现对人脸图像的表情识别并在此基础上进行初级人脸表情识别系统设计。本文主要贡献如下:1.本文提出了一种基于LDDMM-curve的同胚映射IM高维流形特征提取算法。该算法基于NP和PE两种模型模拟采集对象发生情绪变化时,人脸形状的两种变化,从而提取到初始动量矢量（initial momentum,IM）,作为人脸表情的代表性特征,进而对IM特征集合进行特征选择,选取具有最优分类性能的特征子集进行特征融合并验证融合特征分类性能。最后在CK+和Face++两种数据集上对提出的算法进行了实验验证及对比分析表明,本方法的表情识别率及泛化能力比其他方法效果好。2.本文提出了一种FNT-SVM-RFE-CBR的降维特征集合提取算法。该算法实现首次对原始高维特征集合进行特征提取,考虑到特征之间的相关性会对特征重要性判定造成干扰,对于每个特征集,采用十折交叉验证寻找最优的SVM模型参数和相关性参数,同时使用LOO法获取经特征选择后的特征子集的分类性能,选取具有最优分类性能的特征子集进行特征融合并验证融合特征分类性能。在降低特征维度的同时,实现分类性能的提升。最后在CK+和Face++两种数据集上对提出的算法进行了实验验证及对比分析表明,本算法的表情识别效果比其他算法效果好。本文在CK+和Face++两种数据集上对提出的算法进行了验证。首先,将本文提出的算法与一些现有算法进行了对比。然后,进行了两组对比实验,验证了FNT-SVM-RFE-CBR特征提取选择算法的有效性和优越性（以Face++的NP框架为例,原始IM特征集合,SVM-RFE特征子集和FNT-SVM-RFE-CBR特征子集的分类准确率分别为:88.89%,89.81%%,90.21%）。其次,融合特征的分类性能要优于每一框架下的IM特征子集,而且,NP和PE特征子集的比例均为9:1时,融合特征的分类性能最好。最后,就NP、PE框架特征子集和融合特征的分类性能而言,CK+数据集都要优于Face++数据集（NP:95.37%>90.12%;PE:94.14%>88.27%;融合特征:96.60%>91.67%）。实验结果表明,本文提出的基于几何特征的人脸表情识别算法能够提取更本质的几何特征并基于特征选择算法进行进一步的精简和分类准确率的提升,从而实现人脸表情的精确分类,具有十分重要的应用价值。