微表情是人们试图掩饰内心真实情绪时流露出的一种转瞬即逝的面部表情,被认为是识别说谎和危险的最为有用的线索,对理解人类欺骗行为有着重要的作用。自Ekman等人在医学视频的研究中发现微表情以来,微表情的研究在多个领域展开,如临床医学、公共安全、教育以及政治领域。而微表情的研究中,由于微表情肉眼的不易观察性,微表情自动识别方法的研究能够为微表情研究提供有力的工具,加快、扩展微表情的原理研究进程和微表情的应用领域。近年来,微表情自动识别方法的研究是微表情研究领域的一大热点,然而微表情的研究尚存在不少障碍,如数据集的问题、实时性的问题。微表情数据集的问题首先是集不够完备,普遍缺乏六种基本表情;其次是数据量相对表情数据集而言是比较少的。微表情据集的缺陷对于模型的有效训练非常不利。考虑到微表情和宏表情在基本情绪上是一致的,区别在于持续时间和表情动作幅度上,因而将宏表情的数据集利用到微表情训练上是一个可行的方案。我们在[52]的基础上,利用宏表情和微表情数据集训练宏表情识别模型,然后将宏表情识别模型作为微表情识别框架中的表情识别模块,再利用表情的持续时间区分宏表情和微表。目前微表情自动识别方法的研究大都基于软件层面,然而在人机交互、互动教育等微表情应用场合下,软件实现的微表情算法在实时性问题上值得探究。为了解决微表情识别中大量计算带来的实时性问题,我们将微表情自动识别系统移植到基于FPGA的软硬件平台上,并采用软硬件协同设计的方法优化系统在软硬件平台上的设计和实现,在满足实时性的前提下,尽可能地降低系统的功耗提高系统的性能。