人脸表情识别是近几十年来才逐渐发展起来的一个科研热点,指利用计算机分析特定人的脸部表情及变化,进而确定其内心情绪或思想活动,实现人机之间更自然更智能化的交互。它在许多领域都有着潜在的应用价值,包括心理学研究、图像理解、合成脸部动画、视频检索、机器人技术、虚拟现实技术以及基于脸部表情的新型人机交互环境的研究与开发等。本文首先综述课题的研究背景,分析目前国内外已提出的主流人脸表情识别方法,重点对主成份分析方法、小波变换方法、光流模型和隐马可夫模型进行了详细阐述和比较。鉴于小波变换能有效地提取静态表情图像的变形特征,以及支持向量机所表现出来的强大的分类能力,接着提出了基于Gabor小波变换和地理位置相结合的表情特征提取算法,然后结合支持向量机(SVM)进行表情分类。具体工作包括如下:首先,在仔细阅读人脸表情识别方面的参考文献的基础上进行总结,决定做单幅静态图像的表情识别,并联系下载了基本表情数据库JAFFE。其次,对表情数据库(共213幅)中的每一幅图像,分别手工标注出34个基准点,并记录下来。然后,在3个尺度、6个方向上构造Gabor小波族。每幅图像分别用这18个Gabor函数进行滤波,把滤波后图像在34个基准点上的幅值作为Gabor系数,即用一个612(=34×3×6)维的行向量作为特征值,以便下一步进行分类。最后,用支持向量机(SVM)做分类器。把样本集中的213幅图像大致平均地分成10份,其中9份作为支持向量机的训练样本,剩下的1份数据用来测试,此过程重复10次。本文结合了Gabor小波变换的特征提取算法与支持向量机的分类算法对静态表情图像中的七种基本表情进行识别。提出将文本分割和图像检索的Gabor小波函数用于提取表情特征的方法,最大限度地屏蔽光照条件和个人特征的差异,并将支持向量机应用于表情分类。上述方法在对JAFFE基本表情数据库进行训练并测试时获得了较高的正确率,实验结果表明该方法是一种有效的表情识别算法。