人脸表情及手势在人们的交流中有重要的作用,在相关的心理学研究中表明面部表情包含的情感信息超过了人们声音包含的情感信息。计算机实现自动人脸表情识别对自然化人机交互的实现有重要的意义。近年来随着人工智能和人机交互的发展,人脸表情的识别已经成为一个研究的热点问题。人脸表情识别主要通过人脸图像分析处理,对图像中的人脸表情的所属类别做出判断。本文提出混合人脸特征的提取结合支持向量机进行分类的方法进行人脸表情的分类。工作重点有以下几个方面(1)人脸检测。本文分析了基于Haar-Like特征和Adaboost学习算法的人脸检测方法。(2)人脸的表情区域的定位。人脸的表情的信息主要集中在人脸的嘴部和眼部。为了提取有效人脸表情特征删减部分弱特征,本文利用基于灰度积分投影的方法对的人脸嘴部及眼部进行定位。(3)混合特征提取。通过多方向、多频率的Gabor滤波族对人脸眼部及嘴部区域进行滤波处理,得到纹理特征。经过Gabor滤波族处理得到的纹理特征数量较大。为了较少特征的冗余,对得到的纹理特征进行PCA降维得到一个较低维的纹理特征。通过眼部区域跟嘴部区域中竖直像素的灰度变化提取几何特征。将纹理特征与几何特征结合。(4)表情分类。构造决策导向非循环图支持向量机(DDAG-SVM)进行分类,通过人脸表情识别的特点调节分类机中的参数。根据各种表情的识别率调整决策导向循环图支持向量分类机的结构。(5)基于以上研究实现自动人脸表情识别系统,对实验结果进行分析。总结经验与不足,讨论人脸表情识别的研究方向。