电脑与电信1.2研究现状表情是人们的主观体验、情感、情绪和情意的外部表现形式，是人类交流过程中传递感情信息的重要媒介。1971年，Ek-man等第一次将表情划分为悲伤、高兴、恐惧、厌恶、惊讶和愤怒6种基本形式，为研究人脸表情奠[1]定了基础。心理学家A.Mehrabia研究表明，在人与人之间的日常沟通交流中，若将一个完整沟通信息量以100%表示，通过文字传递信息占比为7%，语音语调传递信息占比为38%，而通过表情动作所传递信息占比高达55%，可见通过眼部、口部等表现出的面部表情在表达中占有重要作用，因此表情的识别具有很高的研究价值。1.2.1传统方法人脸表情特征提取是指提取人脸的特征性信息，提取到信息的准确性决定了表情识别的正确性，是人脸表情识别中的重要环节。人脸表情特征提取方法可以分为传统的面部表情特征提取与基于深度学习的特[1]征提取方法。典型的传统表情特征提取方法主要有主成分分析法、独立成分分析法和局部二值模式，每一种表情提取方法结合合适的表情分类算法，实现人脸表情分类。1.1研究背景随着模式识别和人工智能技术及其相关学科的迅猛发展，人脸表情识别集成了计算机视觉、图像处理、深度学习等多种专业技术以及生理学和心理学等相关学科知识，使用计算机研究识别面部表情成为可能，并成为计算机技术研究领域的一大热点。人脸表情识别是人脸识别的进一步发展，具体指从给定的静态图像或动态视频序列中分离出特定的表情状态，进而确定被识别对象[2]的心理情绪，实现计算机对人脸表情的理解与识别。人脸表情识别技术已广泛应用于案件侦破、疲劳驾驶检测、教学质量评价、人机交互、推荐系统等众多领域。主成分分析法将高维空间数据去中心化，平移、旋转坐标轴找到主成分，实现高维空间数据降维，最大化[3]保留原始数据特征信息。王宪佼等利用主成分分析法提取人脸图像特征信息并使用支持向量机进行分类，在ORL人脸库中识别率达到94%。1引言针对主成分分析法方法识别率不高、无法识别非线[4]性特征的缺点，彭荣杰等提出利用核改进的KPCA算法，使用其内部非线性核函数对非线性人脸轮廓进行特征提取，并使用SVM分类器进行表情分类，在ORL人脸库中识别率达到了95.16%，在Yale人脸库中识别率为95.10%，基于面部特征检测的人脸表情实时识别*苏萃文柴国强摘要：针对传统方法特征提取识别准确率低、提取方法复杂以及深度学习方法模型复杂、实时性较差等缺点，提出了一种基于OpenCV和Dlib模型的人脸表情实时识别方法。首先，使用...
