0引言

　　人脸表情识别是人机交互的重要研究内容，在过去几十年得到广泛研究，并且成为一个研究热点。如何建立分类能力较强且计算复杂度较低的分类器是人脸表情识别中的关键环节。2010年，李盛文等人[1]提出利用AdaBoost方法，通过若干次迭代表情样本，得到一组分类能力较强的分类器，取得一定的识别效果。 文献[2]采取多级多类的分类方法，增加样本数量，提高面部表情的识别率。上述2种分类方法，把每一类样本作为一个初始分类器，要想得到理想的分类效果，都需要较强的约束或复杂的迭代，复杂度较高。

　　本文首先采用Gabor滤波器提取表情特征，然后用二维主元分析的方法进行降维，最后采用AdaBoost和SVM决策融合，实现分类器的二次加强，有效地提高了对人脸表情的分类能力和效率。其中，为了增强面部表情的分类效果，把SVM作为AdaBoost的初始分类器，由于SVM已经具有一定的分类能力，两者结合后可以大大减少迭代次数，降低计算的复杂度，具有较好的识别率。

　　1人脸表情识别系统

　　人脸表情识别系统主要包括3个部分：预处理、特征提取和分类器，其结构框图如图1所示。

　　图1人脸表情识别系统的结构框图1.1人脸表情识别预处理

　　Haar检测是人脸检测中常用的方法，但采集到的图像总会存在图片尺度不确定和有较多冗余信息等缺陷[3]，这些都会影响到表情识别的准确性和鲁棒性。为了保留有用信息，抑制和分隔外界干扰，对图像进行预处理就显得特别重要。本文所采用的预处理方法包括图像灰度化、几何归一化和图像滤波。

　　1.2人脸表情的特征提取

　　Gabor变换[4]不仅具有提取表情图像局部细微变化的能力，而且对光照变化不敏感，且能容忍一定程度的图像旋转和变形，具有较好的鲁棒性。

　　二维Gabor小波核函数的形式可以表示为ψj（kj）=‖kj‖2σ2exp-‖kj‖2·‖z‖22σ2

　　exp（ikjz）-exp-σ22（1）式中，kj=kjx

　　kjy=kvcosφμ

　　kvsinφμ，这里取σ=2π，kmax=π/2，f=2。在表情提取方面，本文选取5个频率（v=0，1，…，4）、8个方向（μ=0，1，…，7）的40个Gabor核函数。使用这些核函数与表情图像进行卷积得到：Feaj（x，y）=‖（x，y）·ψj（kj）‖（2）式（2）中：·表示卷积，I（x，y）表示点（x，y）对应的像素值。Feaj（x，y）为对应Gabor核在方向u和尺度v上的卷积结果。因此，图像I（x，y）经过Gabor小波变换后的Gabor特征集合可以表示为Fμ，v={Feaj（x，y）：μ∈{0，1，…，7}，

期刊库（http://www.zgqkk.com），是一个专门从事期刊推广、投稿辅导的网站。
　　本站提供如何投稿辅导，寻求投稿辅导合作，快速投稿辅导，投稿辅导格式指导等解决方案：省级投稿辅导/国家级投稿辅导/核心期刊投稿辅导//职称投稿辅导。

　　【免责声明】本文仅代表作者本人观点，与投稿辅导_期刊发表_中国期刊库专业期刊网站无关。投稿辅导_期刊发表_中国期刊库专业期刊网站站对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。