微表情作为人们在某些有效刺激源的影响下呈现的面部表现形式,能够反映出最为真实的心理状态的变化。通常,微表情具有本能性、瞬时性和低强度的特点。即便在某些人们试图掩饰自己真实情绪的情形中,微表情也会发生,这表明了微表情并非是人们思想控制的产物,而是一种不由自主的面部肌肉的微小运动。因此,微表情能够对人们内心深处的最真实情感进行揭露,从而在诸多领域有着重大应用前景和意义。例如,识别一个人说话过程的微表情往往可以揭示此人是否说谎。总体来说,微表情在司法审讯、刑侦、安防、犯人监管乃至心理研究等各个领域有着巨大的应用价值。此外,具有微表情自动识别功能的智能系统也开始在金融、教育、娱乐等各个领域应用。基于微表情的智能面审系统和基于微表情的智能课堂等的陆续出现表明了微表情识别的重大意义和发展前景。机器学习和模式识别技术的飞速发展为微表情自动识别技术提供了基础支持。现如今,尽管微表情自动识别方面的工作层出不穷,但是大部分识别方法最终呈现的效果不尽人意。一方面,微表情的瞬发性和微弱性使其难以被人们有效地捕捉;另一方面,目前现有的可用的高质量微表情数据库寥寥无几,数据库内已标记训练样本更是有限且不均衡,这成为了构建鲁棒性的具有良好识别效果的微表情识别模型的根本限制。为了解决上述问题,本文以迁移学习的思想为指导寻找有效的辅助数据进行微表情的信息弥补和数据扩充。宏表情领域数据丰富且均衡,同时与微表情均属于情绪因素在面部的体现,具有一定相似关系,因此,为了解决微表情领域数据不足导致识别率不理想的问题,本研究提出了两种新颖的基于宏表情的迁移学习微表情识别算法。具体而言,本论文主要贡献如下:●提出了基于联合表示学习的微表情识别模型。可采用与微表情数据具有一定共性的宏表情作为辅助域,学习宏表情和微表情差异最小化的公共子空间。以保留流形结构的微表情数据为基准,采用与微表情最相似的宏表情进行重构,这有助于增进宏表情和微表情的联系。同时,在原有模型基础上增加残差项,通过最小化该项的方式,削弱噪声的影响。最终,采用微表情两种代表性特征在CK+&SMIC、CK+&CASMEⅡ和MMEW(宏)&MMEW(微)共三组宏&微表情跨域数据库验证了本模型的有效性。●提出了基于对偶图正则化的联合非负矩阵分解的微表情识别模型。同样引入信息丰富的宏表情知识,从宏表情和微表情数据本身寻找公共情绪因素。首先将宏表情和微表情进行对齐联合,将两个领域联合数据进行联合非负矩阵分解。在分解的同时保持两个领域的域内和域间的对偶图相似关系,使得宏表情和微表情联系更为密切。以微表情两种具有代表性的特征在包括 CK+&SMIC、CK+&CASMEⅡ 和 MMEW(宏)&MMEW(微)在内的三组跨域数据库上进行了广泛的实验,证明本模型可有效提高微表情识别性能。