摘 要

随着计算机技术的发展，智能化是计算机研究的主题，而人脸表情识别技术作为当前热门的计算机视觉的一个重要研究方向，其在社会的各个领域均有可预见的巨大发展潜力。

本文研究了对静态图像的表情识别，研究步骤主要分为图像的预处理，表情特征提取，表情识别等，研究内容如下：

1.检索到表情特征库，本文采用了日本研究机构的JAFFE人脸表情数据库，分析了此数据集的特点与优势。

2.进行图像的读取与预处理，在使用人脸表情数据库的基础上进行图像的读取与预处理，主要包括图像格式的转换，灰度化，使用高通滤波器以及低通滤波器对图像进行处理，边缘检测等。

3.研究了传统的特征提取算法，并主要研究了主成分分析方法以及LBP方法的数学原理以及其算法实现，并比较了它们的优缺点。

4.对谷歌神经网络库tensorflow进行了分析，并在此基础上实现了基于cnn的人脸表情识别系统

关键词：人脸识别；特征提取；卷积神经网络

Abstract

This With the development of computer technology, intelligence is the subject of computer research, and face expression recognition technology as an important research direction of the current hot computer vision, it has a foreseeable great potential for development in all fields of society.

In this paper, the expression recognition of static images is studied, and the research steps are mainly divided into image preprocessing, expression feature extraction, face recognition, expression recognition, etc., the research contents are as follows:

1. In this paper, the JAFFE facial expression database of Japanese research institutions is used, and the characteristics and advantages of this dataset are analyzed.

2. Image reading and preprocessing, in the use of face expression database on the basis of image reading and preprocessing, mainly including image format conversion, grayscale, the use of high-pass filter and low-pass filter image processing, edge detection, image cropping and rotation.

3. The traditional feature extraction algorithms are studied, and the principal component analysis (PCA) method and the mathematical principle of LBP method are studied, and their advantages and disadvantages are compared.

4.This paper introduces the tensorflow of Google Neural Network library, and studies the expression recognition method based on deep learning.

Key Words：Face recognition；Feature Extraction；Convolutional Neural Networks

目录

第1章绪论 1

1.1研究现状 1

1.2人脸识别与表情识别 2

1.3本文主要内容 2

1.4小结 3

第2章图像预处理 4

2.1灰度化 4

2.2高通/低通滤波器 5

2.3图像二值化 5

2.4边缘处理 6

2.5小结 8

第3章静态表情特征提取方法 9

3.1表情特征算法综述 9

3.2PCA主成分分析方法 10

3.3LBP局部二值模式 14

3.4PCA与LBP的比较 17

第4章人脸表情识别系统实现 18

4.1人脸表情数据库的选择与分析 18

4.2系统技术实现 19

4.3 CNN卷积神经网络 19

4.3.1向前传播阶段 20

4.3.2向后传播阶段 23

4.4训练参数设置 23

4.2系统实现过程及结果分析 24

第5章总结与展望 30

5.1总结 30

5.2展望 30

参考文献 31

致谢 32

1绪论

随着计算机科学技术的发展，人工智能技术的应用已经渗透入社会的各个领域中，人们在享受着人工智能带来的一些便利的同时，也在思考如何让人工智能拥有人类的思维模式，并且能够像人类一样能够对某个事物产生感性的认知。假若人工智能能够实现与人类之间的感性交流，那么这将彻底改变人与计算机，计算机与计算机之间的关系，表情识别是计算机理解人类情感的一个窗口，也是人工智能实现感性化思维认知的突破方向。

1.1 研究现状

近几年来，人类对信息处理过的研究趋向于复杂。从大数据到云计算，计算机处理数据的能力大幅加强，人们对信息的要求也在不断地上升，信息处理中一个比较重要的分支就是计算机对环境或者自然客体的识别，例如对声音的识别、对文字字体的识别、对文章含义的识别等。以人类的视角来说，我们收集信息大部分都是通过眼睛来传导的，对于计算机而言，自然就是对图像或者视频的识别。表情识别作为计算机视觉的一个研究方向在社会生活中的很多领域都有可以预测的应用前景。但是表情识别对我们采集信息的要求比较高，如果采集不到数量足够而且图像清晰的面部表情，那么识别也无从而来，所以这导致其相对与指纹识别、虹膜识别、人脸识别等其它识别客体相比，难度较高，应用比较局限，但是随着我们采集信息工具的不断完善，比如相机像素的提高，各种应用在摄像领域内的新技术的出现等，我们的表情识别也会借此突破瓶颈，广泛应用到社会的各个行业中去。

20世纪70年代美国心理学家心理学家Ekman与Friesen提出了人类具有6种主要的情感表达方式，这6种情感表达方式以表情的形式来映照出人的心理活动。这6种情感表达方式被叫做基础情感，分为愤怒（anger）、高兴(happiness)、悲伤 (sadness)、惊讶(surprise)、厌恶(disgust)和恐惧(fear)^[1]，由此，我们在表情识别中的分类工作便可以由这6种基础情感确定。现如今随着表情识别技术的不断发展与完善，诸如对视频图像的实时动态捕捉面部表情，面部表情识别自动化等各种表情识别技术不断被研究人员开发出来，在实际应用中，表情识别也逐渐步入正轨，各种实现人脸表情识别的软件被用于娱乐，商业与犯罪侦查等领域，即使如此，表情识别的研究潜力依然是巨大的，在社会生活中的各个领域都有广泛的应用前景与开发潜力。