随着社会经济的快速发展,人口老龄化的问题日益突出。如何利用人工智能来应对养老问题已经成为社会研究热点。面向老人的面部表情情感研究,可以实现对老年人的心理、情感检测。对空巢家庭有一定的帮助,在医疗上也有很大的应用前景。论文针对表情识别系统相关问题,分别从老人表情库的建立、传统机器学习算法和深度学习算法的特征提取及表情识别等三个方面展开研究。根据现有关于老人表情库缺乏且针对老人情感识别研究较少的现状,本文在多部关于老人为主角的电视剧中采集图像,按照建立人脸图像库的规范建立起自有的老人表情库。为了消除背景干扰因素、人脸尺寸位置不一等问题,对图像进行了人脸对齐、尺寸归一化和gamma校正等预处理。Gabor小波具有较强的空间位置和方向选择性,能够很好地提取到目标图像在不同空间位置、频率和方向上的特征。Hog特征对环境的变化具有很强的鲁棒性,能有效的提取图像纹理特征。因此,本文提出基于人脸T区的表情识别方法及融合表情图像的Gabor和Hog特征的表情识别方法。针对得到的维度存在冗余的问题,实验中分别采用了下采样和PCA降维的方法来降低图像的维度,将降维后的特征分别在SVM不同的核函数下进行分类,实验表明人脸T区特征不仅可以有效地降低学习时间,还可以一定程度上提高表情识别的准确率;且融合特征的的实验结果相比于融合前,表情识别准确率也有所提高,验证了融合Gabor和Hog特征对表情识别的有效性和合理性。深度学习具有强大的特征学习能力,训练识别模型时可以不用对输入图像进行复杂的预处理,直接输入原始图像,并且深度学习的不同网络结构不但可以减少计算量且能够有效实现图像降维。本文采用了卷积神经网络的模型对老人表情进行识别。鉴于深度学习模型在处理小样本数据集,常常容易发生过拟合的现象,基于此本文提出了结合卷积神经网络和支持向量机的表情识别方法。先用CNN提取表情特征,再使用SVM进行分类,实验表明结合卷积神经网络和支持向量机的表情识别方法在老人表情分类中不仅训练速度更快,且识别准确率更高。综合实验结果可知,老人的开心和生气表情特征比较明显,更容易提取到特征信息,识别正确率较高。而中性表情最容易被误分为其他表情。对比传统机器学习方法和深度学习方法在老人表情库的实验结果,可以看出深度学习在学习表情特征的优越性,不仅能有效提高识别率,还具备快速的学习效率。图[39]表[15]参[82]