面部表情的自动分析与识别在社会心理学及各相关学科中都具有很高价值,已成为目前的一个研究热点。从情感理解的角度来看,笑脸表情有着明显的特殊性,比较直接地反映了对象的心理状态,同时笑脸表情识别技术已经被多种软件应用。本文为了提高笑脸识别的准确率,进行了有关笑脸表情识别技术的研究。本文研究的笑脸识别过程可以分为三个阶段,即人脸检测、特征提取和分类识别。首先,本文采用Viola Jones算法进行人脸检测,该方法通过Haar特征计算图片黑白像素值,然后通过Adaboost分类器对像素值进行选择,从而将带有表情信息的脸部区域和嘴部区域提取出来。其次,本文提出了嘴角坐标法来提取嘴部区域的特征,该方法首先采用Shi&Tomasi角点检测算法对嘴部进行角点检测,然后用最小二乘法对角点特征进行曲线拟合,并计算曲线两个端点纵坐标的平均值,以这个值来代表该图片的特征值。为了验证嘴角坐标法的有效性和可行性,本文采用多尺度块局部二值模式(Multiscale Block Local Binary Patterns,MB-LBP)、Gabor和方向梯度直方图(Histogram of Oriented Gradient,HOG)三种特征提取方法与嘴角坐标法进行对比。最后,本文采用支持向量机(Supported Vector Machine,SVM)对得到的不同方法的特征进行分类识别。为了进一步提高正确率,还采用了基于支持向量机的简易多核学习(Simple Multiple kernel learning,Simple MKL)方法将4种特征进行融合,并对融合特征的分类结果进行了分析。实验结果表明,嘴角坐标法的总体正确率为92.6%,基于嘴角坐标法的融合特征分类方法将笑脸识别的总体正确率提升到了96.33%。但是特征融合过程所需的时间比嘴角坐标法要长,所以在实时性要求较高的系统中,可以单独采用嘴角坐标法提取的特征进行识别;如果是在对识别正确率要求较高的系统中,则可以采用基于嘴角坐标法的融合特征分类方法来进行笑脸表情识别。