微表情是一种快速短暂的人脸表情,其主要特征是持续时间短暂,强度低。尽管这些表情经常发生在人们的脸上,人们发现这种表情大概持续1/25秒并且很难被隐藏起来。这就是说由于微表情持续时间的短暂,绝大部分的人都很难察觉到微表情的存在。通过大量的心理学研究表明微表情很难被隐藏,是人们真实内心世界的表达。微表情的识别,检测和分析在人机交互,国家安全,测谎等领域有着广泛的应用。但是由于微表情的特点,即使是一个经过专业训练的人也很难识别出微表情的发生,这限制了微表情在实际场景中的应用。所以我们需要找到一种有效的微表情检测和识别的方法。由于微表情分类较为复杂且机器分类的可靠性不高,微表情检测更具有应用价值。为了解决上述问题,本文提出了一种融合深度学习特征和方向特征的微表情检测的方法。微表情的检测是一个具有挑战性的工作。微表情检测是指在一段视频中检测出微表情的发生。我们的方法结合了人脸关键点的定位和方向特征的提取。第一,人脸关键点定位在微表情检测中起到关键性的作用。我们采用了多任务学习的方式训练深度卷积神经网络,多任务学习是一种归纳迁移的学习方式,其目标是提高机器学习模型的泛化能力。利用并行训练学习多个任务的方式使得卷积神经网络的对人脸关键点定位更加精确。根据人脸关键点和人脸面部动作单元将人脸分成十二个子区域。第二,人脸的微表情是由面部肌肉运动所产生的,我们在每个人脸子区域上提取光流方向直方图特征,并对每一帧的微表情方向特征进行归一化。通过方向特征能够更好阐释微表情产生的机理,归一化后的方向特征使计算更高效。最后使用支持向量机对提取到的特征进行分类。和以往的工作相比较,我们的方法具有以下优点:1、相比较前人的工作,我们的方法有着更准确的人脸关键点定位;2、相比较基于LBP等纹理特征的工作,本文基于方向特征能够更好地阐释微表情产生的机理;3、通过对提取的方向特征进行归一化,使得本文的方法计算更为高效。