1. 研究目的与意义（文献综述）

人脸识别的研究内容涉及计算机视觉、模式识别、计算机图形学、图像处理、生理学、心理学、认知科学，它在国家安全、军事安全和公安、司法、民政、金融、民航、海关、边境、口岸、保险及民用等领域的实际应用具有极广阔的前景，其典型应用例如：身份鉴定（一对多搜索）、身份确认（一对一对比）、监视、面像数据压缩、多通道人机交互界面等。其主要目的在于：在人机接口中实现计算机对人脸面部表情的自动识别、在视频片段检索中实现面部表情的跟踪与识别和研究人脸表情编码，解决低带宽的脸部数据传输、多媒体中的脸部图像压缩等问题。

现在，国内外都有人脸识别的相关产品，尤其在美国，已经能够通过机器人识别人脸表情，还能推断人的年龄等。此外，日本、法国、英国、德国、荷兰、新加坡、印度等国家也都有专门的研究组进行人脸表情识别方面的研究，其中取得较好识别效果的方法有三种。其一是通过提取正面和侧面的人脸轮廓特征点，获得 32个肌肉运动单元的信息，能够识别6 类表情；其二是使用光流法来跟踪运动单元，采用k近邻方法进行分类，对愤怒、厌恶、悲伤、惊奇4 类表情的识别率为80% 。最后一种是用局部二值模式描述人脸特征，结合svm在低分辨率下识别面部表情，也能够获得较好的效果。

2. 研究的基本内容与方案

大致内容包括编写人脸表情识别算法首先通过向量量化方法训练指定长度的码书，将所有样本图像编码成索引矩阵，计算测试样本索引矩阵与训练样本索引矩阵的欧式距离作为两幅图像的相似度度量。关键块能够较好地提取图像的局部特征，非常适合用于提取表情图像的细节信息，如人脸表情中的嘴角、眉毛、眼睛等局部表情特征。

大体步骤首先将测试图像与gabor 滤波器组进行卷积运算，得到图像的 gabor 特征，获得的gabor 特征维数，如果特征维数过大则需要进行降维。然后使用降维后的数据与图像的索引编码进行表情识别。获得图像的 gabor 特征后，需进一步获得图像的索引分布特征。使用训练好的码书，将训练样本图像编码成索引矩阵，将索引矩阵与降维后的 gabor 特征共同作为表情图像的特征训练svm 分类器，最后利用svm分类器编写gui程序进行测试，目标则是制作一个能够分辨四种及以上的表情的gui app。

由于svm 分类器是两类分类器，只能对两类问题进行分类，表情识别中包含多种基本表情，所以对于任何两种表情我们都应训练一个svm分类器，通过分类投票获得待分类图像的最终分类结果。对测试样本进行分类时，分为以下 3 步：
(1) 使用gabor 滤波器组对测试图像进行滤波。然后，将滤波后获得的特征降维，获得低维空间的 gabor 特征；
(2) 将测试样本图像切分为不重叠的块， 查找每块与码书中相似度最高的关键块的索引值，将图像编码为索引矩阵，获得图像的索引分布；
(3) 结合降维后的gabor 特征与图像的索引分布，使用 svm 分类器进行分类投票，获得最终分类结果；

3. 研究计划与安排

1-3周：查阅文献，完成开题报告
4-6周：总体设计，完成论文综述
7-10周：设计算法，功能模块设计
11-13周：编码和测试
14-15周：写论文，提交初稿，给老师检查，修改定稿，答辩。

4. 参考文献（12篇以上）

[1]（美）冈萨雷斯，（美）伍兹　著，阮秋琦　等译，数字图像处理（第三版），电子工业出版社，2011年

[2]曹林,人脸识别与人体动作识别技术及应用,电子工业出版社,2015年08月

[3]Pamplona Segundo M，Silva L，Bellon .Automatic face segmentation and facial landmark detection in range images [J].IEEE Trans Syst Man Cybern,2010,40(5):1319~1330

[4]Chunlei Shi,Longxu Jin,Ke Zhang.Face Detection Based on Skin Color Segementation and AdaBoost Algorithm[A].Proceedings of 2011 3rd IEEE.Conference on ICIME,Vol.1,2011.5.21

[5]冯杰 , 屈志毅 , 李志辉，基于分类稀疏表示的人脸表情识别， 《软件》， 2013(11):59-61

[6]张家树 陈辉等.人脸表情自动识别技术研究进展[J]西南交通大学学报 第40卷 第3期 2005-06.

[7]陆慧聪.面部表情识别系统中表情特征提取与识别算法的研究. 东南大学硕士学位论文. 2006

[8]Li Wang,Rui-Feng Li,Ke Wang,Jian Chen. Feature Representation for Facial Expression Recognition Based on FACS and LBP[J]. International Journal of Automation amp; Computing,2014,05:459-468.

[9]Andre Teixeira Lopes,Edilson de Aguiar,Alberto F. De Souza,Thiago Oliveira-Santos. Facial Expression Recognition with Convolutional Neural Networks: Coping with Few Data and the Training Sample Order[J]. Pattern Recognition,2016,:.

[10]XiaoHui Guo,Xiao Zhang,Chao Deng,Jianyu Wei. Facial Expression Recognition based on Independent Component Analysis[J]. Journal of Multimedia,2013,84:.

[11]Fowei Wang,Bo Shen,Shaoyuan Sun,Zidong Wang. Improved GA and Pareto optimization-based facial expression recognition[J]. Assembly Automation,2016,362:. [12]郑秋梅,吕兴会,时公喜. 基于多特征集成分类器的人脸表情识别[J]. 中国石油大学学报(自然科学版),2011,01:174-178. [13]胡步发,黄银成,陈炳兴. 基于层次分析法语义知识的人脸表情识别新方法[J]. 中国图象图形学报,2011,03:420-426. [14]刘帅师,田彦涛,万川. 基于Gabor多方向特征融合与分块直方图的人脸表情识别方法[J]. 自动化学报,2011,12:1455-1463. [15]宋伟,赵清杰,宋红,樊茜. 基于关键块空间分布与Gabor滤波的人脸表情识别算法[J]. 中南大学学报(自然科学版),2013,S2:239-243. [16]朱明旱,李树涛,叶华. 基于稀疏表示的遮挡人脸表情识别方法[J]. 模式识别与人工智能,2014,08:708-712. [17]邱玉,赵杰煜,汪燕芳. 结合运动时序性的人脸表情识别方法[J]. 电子学报,2016,06:1307-1313. [18]王志良,陈锋军,薛为民. 人脸表情识别方法综述[J]. 计算机应用与软件,2003,12:63-66.