情感是人的一种主观体验,其外部表现主要通过面部动作。传统对人面部动作识别的研究主要集中在识别6种种族文化无关的表情,反应了人的基本情感。然而,6种表情显然不能完全描述人的全部面部动作及情感。面部动作编码系统是公认的描述面部动作的最好机制,各类表情可分解为一系列基础的面部肌肉运动的组合,从而进行后续的编码。本课题来源于国家自然科学基金面上项目《开放环境下自然人面部动作单元识别》。本课题旨在以自然人动作单元识别为研究对象,针对面部动作单元类别非均衡问题,从影响识别模型性能关键因素入手,从问题特点开展相关研究。面部动作单元类别非均衡是指动作单元类别分布的不均衡,从而造成模型识别偏置于多数类样本的现象。在选定动作单元数据集CK+下,利用条件生成对抗网络改善动作单元的类别非均衡,并设计支持向量机进行二分类,用以验证条件生成对抗网络生成样本的对类别非均衡的改善效果。本文在明确研究背景和研究意义的基础上对动作单元类别非均衡处理方法在国内外的研究现状进行了调研和分析,最终完成了整体算法的设计和效果验证。本文研究类别非均衡现象造成模型识别偏置于多数类样本情况下的处理方法,从数量和质量上改善训练数据,降低类别非均衡的影响。研究生成对抗网络与条件生成对抗网络的算法原理,设计模型参数以及算法流程。完成模型中生成网络和判别网络参数的选取和搭建。设计模型训练流程,通过在滴滴云GPU服务器进行环境搭建,模型训练后生成样本的图像质量好、损失函数收敛。设计完成基于支持向量机的二分类算法流程设计。对处理后样本采取方向梯度直方图进行特征提取,继而提取的图像特征进行主成分分析降维,通过构建视觉词袋模型以及选择分类器核函数进行分类器参数设计。设置不同样本组:选择分类的训练和测试样本数据,分别进行二分类模型训练,采用F1分数分析二分类的效果,从而证明生成样本对类别非均衡改善的有效性。通过实验可以得出,条件生成对抗网络对动作单元类别非均衡化的改善效果明显,达到了课题的研究目标。