人脸表情识别技术涉及到人工智能和人机交互，具有方便快捷的高品质体验，这方面的研究不仅仅被一些全球前百强的大公司所重视，更是被走在科学前沿的资深大学所重视，其中麻省理工的Media lab实验室，Artificial Intelligence Lab实验室，还有和南京理工大学计算机学院有深度合作的卡内基梅隆大学的机器识别实验室，日本ATR实验室等，都对人脸识别有着强烈的兴趣。不但如此，该技术已经被用到安防行业当中，美国的某机场已经在摄像头监视中引进了该技术，有效的检测出机场内各个乘客的表情状况，防止恐怖分子的蓄意破坏[5]。73281

人脸表情识别技术在目前还有不足，在图像中检测到人脸的技术已经成熟，已经广泛的运用在了人们的便携式手机照相技术，电脑当中人脸识别摄影，但人脸表情的识别有待提高，目前还不支持各个角度的人脸都能有效的识别，在特定情况下，如特定的光线，特定的角度，特定的摄影仪器等等因素下，并不能有效的检测出人脸表情。近年来，已经有很多学者对静态的人脸表情检测做了大量的研究，并且伴随着很多有效的方法诞生[6]，但其在国内的研究的准确度和健壮性还达不到可以商业化的水平，主要的原因还是图像本身的多样性和不确定性，在这些方面，近年来的研究得到了很大程度上的进步，方法上大致分为三个方法，分别为几何特征分类，统计特征分类，频域特征分类，下面对上述方法简单介绍。论文网

几何特征分类

几何特征分类根据图片上人脸的构成，首先要确定人脸的各个器官肌肉的位置，如口，眼睛，鼻子，嘴唇等。根据人面部变化时候所反映出来的特征，各个特征点平移的距离，改变的弧度，确定表情的变化，而这些面部特征点都需要人们手工去设定，不但不准确，而且差异大。常用的方法有投影积分法，角点检测法和霍夫变换法。手工提取的特征点，表情变化的位移程度都是因人而异，鲁棒性差，并且人脸的器官位置定位也可能存在较大的误差。

统计特征分类

常用方法是通过大量的训练，获得相应表情的的直方图，然后对其进行降维，得到各个表情的统计特征。统计的对象是图片的整体灰度，尽可能的保留图片表情信息。这种方法是最常用的方法，这种方法可以较大程度的得到并分离出可以区分人脸表情的图片因素，并且可以叠加的用在其他的方法上，例如用在几何特征分类上，得到几何特征统计特征。但是由于不同人表情表现不一致等原因，浅层的统计特征分类在人脸表情的分类上并没有得到良好的效果。

频域特征分类

频域特征分类最有代表性的就是Gabor分类[9]，Gabor小波分类模仿人类神经元，和人脑视觉部分的神经细胞有很大的相似度，这种分类模仿人脑的视觉机制，所以对人脸表情的变化检测也会更加的准确。