人脸表情识别作为应用前景十分广泛的人机交互方式之一,其相关理论和技术有待进一步深入研究。虽然人脸表情识别相关技术得到了很大的发展,但其算法的鲁棒性和准确率有待进一步得到提升。在基于图像算子的人脸识别算法中,提取到的纹理特征较为丰富,但是容易出现过拟合的现象。通过特征定位点提取的几何特征正好可以弥补这一缺点。基于深度学习的相关人脸表情识别算法虽然达到了较好的效果,但是在具体模型训练的过程中也会出现过拟合的现象。因此,针对这些问题,本文对人脸表情特征提取进行了研究,主要研究工作如下:1.提出了改进的HOG特征提取算法。针对传统HOG特征提取过程中的不足。本文在HOG特征提取时,加入了对角线像素的灰度信息,使得提取到的灰度边缘信息更加丰富。此外,对不同参数下优化后的HOG特征进行了实验。2.提出了基于纹理特征和几何特征的人脸表情识别算法。通过传统图像算子提取的表情特征虽然较为丰富,但由于含有较多冗余信息,往往会出现过拟合的现象。针对此问题,首先对人脸五官区域进行定位,提取定位区域的纹理特征。其次,利用ERT特征点定位算法对人脸表情特征点进行准确定位,根据定位到的表情特征点,提取有用的几何表情信息。最后,将提取到的几何表情信息与优化后的人脸表情HOG纹理特征融合,得到了基于几何特征和纹理特征的表情识别算法。3.对用于人脸表情识别的深度学习算法进行了优化。深度学习在应用于人脸表情识别的过程中,也会产生很多过拟合的结果。针对此问题,本文首先对输入图像进行边缘信息提取,其次研究了相关文献的卷积神经网络模型,结合部分文献提取的方法对卷积网络模型进行优化,以减少过拟合现象的产生。实验结果表明,其优化后的深度学习模型具有更好的鲁棒性。