人脸表情识别
人脸识别中的表情识别技术
人脸识别中的表情识别技术人脸识别技术在近年来得到了广泛的应用和研究，而其中的表情识别技术更是其中一个重要的研究方向。
随着人工智能领域的不断发展，人脸识别中的表情识别技术在各个领域中都有着重要的作用。
本文将介绍人脸识别中的表情识别技术的原理、应用以及目前的发展。
一、表情识别技术的原理表情识别技术是指通过对人脸的表情进行分析和识别，从而获取人的情绪状态和表情信息的一种技术。
这项技术的实现基于计算机视觉和模式识别的理论，通过对人脸图像进行特征提取和模式匹配，来判断人的表情状态。
1. 特征提取在表情识别技术中，常用的特征提取方法主要有几何特征、纹理特征和动态特征等。
几何特征是通过测量人脸的重要几何参数，如眼睛、嘴巴的位置和形状等，来表示人脸表情的变化。
纹理特征则是通过对人脸表面纹理进行分析，提取纹理特征来表示表情的差异。
动态特征是通过对人脸图像序列进行分析，提取人脸在时间上的演化特征，如人脸的运动轨迹、关键帧等。
2. 模式匹配模式匹配是指将提取到的特征与事先训练好的模型进行比对，从而达到识别表情的目的。
常用的模式匹配方法有主成分分析（PCA）、独立成分分析（ICA）、支持向量机（SVM）等。
通过建立模型和训练样本的匹配关系，可以实现对人脸表情的识别。
二、表情识别技术的应用表情识别技术在人脸识别领域中有着广泛的应用，下面将介绍一些主要的应用场景。
1. 情感分析表情识别技术可以帮助我们判断人的情感状态，对于情感分析具有重要的意义。
比如在社交媒体中，通过分析用户在照片或视频中的表情，可以了解用户对某个事件或产品的态度和情感，从而为商家或企业提供有效的市场调研数据。
2. 人机交互表情识别技术可以应用于人机交互领域，通过对用户面部表情的识别，可以实现更加智能和自然的人机交互方式。
比如在游戏中，人脸表情的识别可以作为控制命令的输入方式，实现更加沉浸式的游戏体验。
3. 安防监控表情识别技术可以应用于安防监控领域，通过对行人或人群中的表情状态进行分析，可以判断是否存在可疑人员或异常行为。
人脸识别算法的表情识别方法
人脸识别算法的表情识别方法人脸识别技术已经成为现代社会中重要的身份验证手段，然而要想使得人脸识别更加智能和全面化，表情识别是一个关键的环节。
本文将介绍人脸识别算法中常用的表情识别方法，这些方法包括基于形状的方法、基于纹理的方法和基于深度学习的方法。
一、基于形状的方法基于形状的方法主要关注人脸表情中的关键变化部分，即面部特征点的位置和形状。
通过捕捉这些特征点的运动变化，可以判断表情的类型。
其中比较经典的方法有Active Appearance Model (AAM)和Active Shape Model (ASM)。
AAM算法使用了一组模板来描述面部的多个特征点，同时结合了形状和纹理信息。
通过迭代的方式，将模板与输入图像逐渐匹配，从而得到面部特征点的位置和形状的变化情况，进而实现表情的识别。
ASM算法则主要关注面部的形状信息，通过建立人脸特征点的坐标模型，利用主成分分析的方法来快速计算出人脸的形状变化。
该算法具有较好的实时性和稳定性。
二、基于纹理的方法基于纹理的方法主要关注表情中的纹理变化，即不同表情下面部区域的纹理分布。
这类方法常用的有Local Binary Patterns (LBP)和Gabor 滤波器。
LBP算法是一种局部纹理特征描述算法，它将一个像素的灰度值与周围像素的灰度值进行比较，然后将比较结果编码为二进制数。
通过提取图像不同区域的LBP特征，可以用于表情的分类和识别。
Gabor滤波器是一种能够提取纹理信息的滤波器。
通过在不同方向和尺度下进行滤波，可以捕捉到面部不同位置的纹理变化。
将提取到的Gabor特征与分类器相结合，可以实现表情的识别。
三、基于深度学习的方法近年来，随着深度学习的发展，基于深度学习的方法在人脸表情识别中取得了很大的突破。
其中最具代表性的方法是卷积神经网络（Convolutional Neural Networks，CNN）。
CNN通过多层卷积和池化操作，可以从原始图像中自动学习到更加抽象和有表达力的特征。
人脸表情识别技术的使用教程与情绪分析应用
人脸表情识别技术的使用教程与情绪分析应用人脸表情识别技术的快速发展为我们带来了许多有趣且实用的应用。
从社交媒体到市场调研，从人机交互到情绪检测，人脸表情识别技术正在各个领域得到广泛应用。
本文将介绍人脸表情识别技术的使用教程，并分析其在情绪分析中的应用。
一、人脸表情识别技术的使用教程1. 确保硬件设备首先，要确保使用人脸表情识别技术的硬件设备齐全。
通常，你需要一台摄像头、计算机及相关的软件。
这些设备将成为你进行人脸表情识别的基础。
2. 安装相关软件在确保硬件设备齐全的前提下，下载并安装相关的人脸表情识别软件。
目前市面上有许多成熟的人脸表情识别软件可供选择，如OpenCV、Microsoft Azure Face API等。
根据自己的需求和技术水平，选择适合自己的软件。
3. 收集和标记数据集在进行人脸表情识别之前，需要收集和标记一定数量的人脸表情数据集。
数据集的质量和多样性对于人脸表情识别的准确性至关重要。
你可以通过在线数据库、社交媒体或者自己的照片进行数据集的搜集。
同时，要确保数据集中包含不同表情的照片，以提高模型的泛化能力。
4. 训练人脸表情识别模型在准备好数据集之后，你需要使用相关的机器学习算法来训练人脸表情识别模型。
常用的机器学习算法有支持向量机（SVM）、卷积神经网络（CNN）等。
根据选择的软件以及数据集的特点，你可以选择合适的算法进行训练。
5. 测试和优化模型在完成模型训练后，你需要进行模型的测试和优化。
通过测试模型在新数据上的表现，可以评估模型的准确性和鲁棒性。
如果模型表现不佳，你可以调整模型的参数、增加训练数据集的数量或进行其他优化策略。
6. 部署和应用模型当你对模型满意后，可以将其部署到实际应用中。
根据需求，你可以将人脸表情识别技术应用于社交媒体、人机交互、市场调研等领域。
例如，将人脸表情识别技术应用于视频聊天软件，可以实时识别对方的表情，提高交流质量。
二、人脸表情识别技术在情绪分析中的应用人脸表情识别技术在情绪分析中有广泛的应用。
人脸表情识别技术的应用教程
人脸表情识别技术的应用教程人脸表情识别技术是一项基于计算机视觉和深度学习的技术，它能够准确地分析和识别人脸表情，从而帮助我们更好地理解和应对人类情绪。
这项技术在各个领域都有着广泛的应用，比如情感分析、娱乐游戏、人机交互等。
在本文中，我们将为大家介绍人脸表情识别技术的原理和具体的应用教程。
1. 人脸表情识别技术的原理人脸表情识别技术主要基于深度学习的方法。
首先，通过采集大量的人脸图像数据集，提取人脸特征作为训练样本。
然后，利用深度神经网络对这些样本进行学习和训练，建立起一个能够准确识别人脸表情的模型。
最后，通过该模型对新的人脸图像进行识别和分析，得出人脸表情的结果。
2. 人脸表情识别技术的应用教程下面，我们将为大家介绍人脸表情识别技术在三个领域的具体应用教程。
2.1 情感分析情感分析是人脸表情识别技术最常见的应用之一。
情感分析可以帮助我们更好地理解人类情绪，从而提供更精准的服务和建议。
下面是一个基于Python的简单情感分析应用教程。
首先，我们需要安装和引入必要的Python库，例如OpenCV和Keras。
然后，通过网络摄像头采集实时的人脸图像。
接下来，将图像数据传入人脸表情识别模型，得出人脸表情的结果。
最后，根据结果判断人的情感状态，比如高兴、悲伤、愤怒等，并作出相应的分析和建议。
2.2 娱乐游戏人脸表情识别技术在娱乐游戏领域也有着广泛的应用。
通过该技术，我们可以开发出一些能够与人脸表情互动的娱乐游戏，例如拳击游戏、表情匹配等。
下面是一个基于Unity引擎的简单娱乐游戏应用教程。
首先，我们需要创建一个虚拟环境，并引入必要的游戏资源和编程代码。
然后，通过网络摄像头获取实时的人脸图像，并将其传递给人脸表情识别模型进行分析。
接下来，根据分析结果，将特定表情与游戏中的操作相匹配，从而与玩家进行互动。
最后，根据玩家的表情变化，不断更新游戏的状态和难度。
2.3 人机交互人脸表情识别技术还可以应用于人机交互领域，帮助我们更自然和便捷地与计算机进行交互。
面部表情识别技术的使用方法和常见问题解答
面部表情识别技术的使用方法和常见问题解答面部表情识别技术是一种通过人脸图像或视频中的面部表情信息来分析和识别人类情绪状态的技术。
它在计算机视觉和人机交互领域有着广泛的应用。
本文将介绍面部表情识别技术的使用方法，并提供一些常见问题的解答。
一、面部表情识别技术的使用方法1. 数据收集：在使用面部表情识别技术之前，需要收集一定量的数据用于模型训练。
这些数据通常包括人脸图像或视频，以及与之相关的情感标签。
可以通过从现有的面部表情数据集中收集样本，或者自己收集数据来满足训练需求。
2. 数据预处理：在数据收集之后，需要对数据进行预处理操作，以提高面部表情识别模型的准确度。
预处理操作包括对图像或视频进行裁剪、缩放、灰度化等处理。
3. 特征提取：面部表情识别技术的关键在于提取面部表情中蕴含的特征。
常用的特征提取方法包括使用光流法提取面部表情运动信息，利用神经网络模型提取高阶特征等。
4. 模型训练：通过采用监督学习方法，可以使用已标记的数据来训练面部表情识别模型。
常用的模型包括卷积神经网络（CNN）、支持向量机（SVM）等。
在训练过程中，可以使用交叉验证等技术对模型进行优化和验证。
5. 模型测试和应用：在模型训练完毕后，可以使用测试数据来评估模型的准确度和性能。
一旦模型通过测试，就可以将其应用于实际场景中，如情感分析、人机交互等。
二、常见问题解答1. 面部表情识别技术的准确度如何？面部表情识别技术的准确度受多种因素影响，包括数据质量、特征提取方法、模型训练参数等。
通常情况下，准确度可以达到较高水平，但仍存在误识别和漏识别的问题。
不同的应用场景和需求可以采用不同的指标来评估准确度。
2. 面部表情识别技术是否需要摄像头？面部表情识别技术的基础是人脸图像或视频，因此通常需要使用摄像头来采集人脸数据。
但是，在某些场景下，也可以使用已有的图像或视频数据进行识别，无需额外的摄像设备。
3. 面部表情识别技术是否能够识别不同人种、不同年龄段的面部表情？面部表情识别技术在设计和训练时通常考虑到抗干扰性和泛化能力，可以对不同人种和年龄段的面部表情进行识别。
人脸识别算法的表情识别方法
人脸识别算法的表情识别方法人脸识别算法在近年来得到了广泛应用，其中表情识别作为一项重要的研究方向，引起了许多研究人员的关注。
表情识别的准确性和稳定性对于人脸识别算法的性能和应用场景有着重要的影响。
本文将介绍一些常用的人脸识别算法中的表情识别方法。
一、特征提取与选择在人脸表情识别中，特征提取是一个关键的步骤。
通过提取出区分不同表情的特征向量，可以实现对表情的分类和识别。
常用的特征提取方法包括颜色特征、纹理特征和形状特征等。
1. 颜色特征颜色特征是通过提取人脸图像中的颜色信息来描述表情的差异。
常用的颜色特征包括色彩直方图和颜色矩等。
色彩直方图统计了图像中不同颜色的分布情况，可以反映出不同表情对颜色的影响。
颜色矩则通过计算图像颜色的一阶和二阶统计特征，来描述图像颜色的分布特性。
2. 纹理特征纹理特征用于描述图像中不同区域的纹理结构，通过对图像纹理进行分析，可以有效区分不同表情。
常用的纹理特征包括灰度共生矩阵和局部二值模式等。
灰度共生矩阵可以统计图像中不同灰度级别像素对的空间位置关系，局部二值模式则通过计算邻域像素的二值编码，来描述图像的纹理特征。
3. 形状特征形状特征主要用于描述人脸的几何结构，通过提取人脸的轮廓和特殊区域等形状信息，可以区分不同表情的差异。
常用的形状特征包括人脸轮廓曲线和人脸关键点等。
人脸轮廓曲线可以通过提取人脸图像的边缘信息得到，人脸关键点则是通过检测人脸中重要特征点的位置来描述形状信息。
二、分类器的选择与训练在提取完特征向量后，需要通过训练分类器来实现表情识别的任务。
常用的分类器包括支持向量机、人工神经网络和卷积神经网络等。
1. 支持向量机（SVM）支持向量机是一种常用的监督学习算法，通过将低维输入空间映射到高维特征空间，实现对不同表情的分类和识别。
在表情识别中，可以利用训练集的特征向量和标签来训练一个SVM分类器。
2. 人工神经网络（ANN）人工神经网络是一种模仿生物神经网络结构和功能的数学模型，通过构建多层神经网络，实现对表情的分类和识别。
人脸表情识别系统设计与实现
人脸表情识别系统设计与实现摘要：人脸表情识别系统是一种基于计算机视觉和模式识别技术的应用程序，能够识别人脸照片或实时视频中的表情，并根据表情分类结果进行情感分析。
本文将详细介绍人脸表情识别系统的设计与实现，并探讨了系统中所使用的关键技术，包括人脸检测、特征提取、分类器训练等。
1. 引言随着人工智能技术的发展，人脸表情识别系统在各个领域得到了广泛应用。
它可以用于心理研究、智能娱乐、面部特征分析等方面。
人脸表情识别系统可以通过识别人脸图像或视频中的表情，从而理解表情背后的情感状态。
这对于提升人机交互、社交智能等方面具有重要意义。
2. 系统设计2.1 数据采集与预处理为了构建有效的人脸表情识别系统，首先需要收集足够数量的表情样本作为训练数据。
可以通过拍摄人脸照片或视频，或使用公开可用的数据集进行数据收集。
然后需要对数据进行预处理，包括人脸检测、对齐和图像增强等操作，以提高后续的表情识别效果。
2.2 人脸检测与关键点定位人脸检测是人脸表情识别系统中的关键步骤，其目的是在输入的图像或视频中准确地定位人脸区域。
常用的人脸检测方法包括Haar特征、HOG特征以及深度学习方法等。
检测到人脸区域后需要进一步进行关键点定位，即定位人脸的眼睛、嘴巴等特征点，以便后续的表情特征提取。
2.3 特征提取与选择针对人脸表情识别任务，可以使用多种特征描述子。
常用的特征包括LBP特征、HOG特征、SIFT特征等。
这些特征可以捕捉到人脸图像中的纹理、形状等信息。
在特征选择过程中，可以使用主成分分析（PCA）或线性判别分析（LDA）等方法对特征进行降维，以减少计算复杂度和提高分类准确度。
2.4 分类器训练与验证在人脸表情识别系统中，分类器的选择和训练对于系统的性能至关重要。
常用的分类器包括支持向量机（SVM）、人工神经网络（ANN）等。
通过使用带标签的训练数据集，可以训练分类器并对其性能进行验证。
采用交叉验证和混淆矩阵等评价指标来评估分类器的准确度和鲁棒性。
人脸表情识别技术
人脸表情识别技术人脸表情识别技术是一种通过计算机对人脸表情进行识别和分析的技术。
它通过图像处理、模式识别、机器学习等方法，能够准确地检测和识别人脸表情，并根据表情的不同，来分析人的情绪状态、性别、年龄等信息。
这项技术在人机交互、虚拟现实、智能安防等领域有广泛的应用。
一、人脸表情识别技术的原理和方法人脸表情识别技术的实现过程通常分为以下几个步骤：1. 人脸检测：通过图像处理技术，检测出图像中的人脸区域。
这一步主要通过人脸特征点的定位和人脸轮廓的检测来实现。
2. 特征提取：提取人脸表情的特征信息。
这一步主要通过计算人脸区域内的颜色、纹理、形状等特征来实现。
常用的方法有局部二值模式（LBP）、主成分分析（PCA）等。
3. 表情分类：将提取的特征输入到分类模型中，进行表情分类。
这一步主要通过机器学习算法来实现，常用的有支持向量机（SVM）、人工神经网络（ANN）等。
二、人脸表情识别技术的应用场景1. 人机交互：人脸表情识别技术可以应用于智能手机、电脑等设备，实现更加智能化的人机交互。
例如，在手机相机的应用中，通过识别用户的表情，自动进行拍照或者调节摄像头的焦距等。
2. 虚拟现实：人脸表情识别技术可以应用于虚拟现实领域，实现更加真实、自然的虚拟角色表情。
例如，在虚拟游戏中，根据玩家的表情来实时调整角色的表情。
3. 智能安防：人脸表情识别技术可以应用于安防监控领域，实现对人员情绪状态的监测。
例如，在公共场所的安防监控中，通过对人脸表情的识别，可以及时发现异常情况。
三、人脸表情识别技术的挑战与展望尽管人脸表情识别技术取得了许多重要的进展，但仍然存在一些技术挑战。
例如，光照条件的变化、面部遮挡、人脸姿态的变化等都会对识别结果产生影响。
此外，对个人隐私的关注也是一个重要问题。
未来，随着计算机视觉、模式识别等技术的不断发展，人脸表情识别技术将会得到更好的改进和应用。
可以预见的是，将来这项技术将广泛应用于人工智能、智能交通、医疗健康等领域。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像处理与模式识别------人脸表情识别介绍摘要：人脸表情是我们进行交往和表达情绪的一种重要手段，不经过特殊训练，人类对其面部表情往往很难掩饰，所以，通过对人脸表情进行分析，可以获得重要的信息。
人脸表情识别是人机交互的智能化实现的一个重要组成部分，也是模式识别、图像处理领域的一个重要研究课题，近几年来，受到了越来越多的科研人员的关注。
本文综述了国内外近年来人脸表情识别技术的最新发展状况，对人脸表情识别系统所涉及到的关键技术: 人脸表情特征提取，做了详细分析和归纳。
关键词：人脸定位；积分投影；人脸表情识别；流形学习；局部切空间排列Abstract:Facial expression is a kind of important means that we communicate and express the special training, People often difficult to conceal their facial , by the analyzing facial expression, we can obtain important information. Facial expression recognition is an important component that the implementation of human-computer interaction, and an important research topic in the field of pattern recognition, image processing, in recent years, more and more researchers focus on this topic.In this paper,we present the latest development of this area,and give a detailed analysisand summary for facialexpression feature extraction.Keywords：face location; integral projection; facial expression recognition; manifold learning;GILTSA目录1 简介 (1)2 研究背景及意义 (2)3 国内外研究概况及发展趋势 (2)4 几种最新的表情特征提取方法 (3)静态图像的表情特征提取方法 (3)动态图像序列的表情特征提取方法 (5)1 简介自然语言和形体语言是人体语言的主要部分。
通过面部的不同变化来进行表达是形体语言的一种表达方式，我们把这种表达方式称之为面部表情，是我们进行交往和表达情绪的一种重要手段。
情绪的产生通常会出现相应的形体语言行为，比如面部表情和身体的动作，而面部表情不经过特殊训练很难进行掩饰。
因此，当一个人准备对其交流的人进行欺骗时，自然语言的掩饰往往比面部表情更为容易。
在日常的生活中,人类通过人脸的细小的变化可以精确且充分的传递各种信息，同样的，也可以通过人脸表情信息去识别对方所要表达的态度和内心观点，因此人脸表情在人类平常的生活交流和交往中占据着重要的作用。
专家研究表明：在人类的日常交流中，情感信息的表达主要是通过语言、声音、和面部表情来传递的，其中通过语言传递的信息占信息总量的 7%，声音传递的信息（主要包括音调的高低，语速的快慢等因素）为 38%，而通过人脸表情传递的信息却达到信息总量的 55%。
因此可知，人脸表情是进行人与人之间情感信息交流的重要方式。
不同于常见的人为的通过人眼去观察脸部表情的变化来获取信息，我们所指人脸表情识别是通过软件分析人面部表情的变化来获得其内心的情绪和思想活动，进而得到大量的更加真实的内在信息。
在人机（人类与计算机或者机器人）交互中，如果机器能够获取并理解人脸表情的一些信息，机器能够更好的理解人的表达和需求，这样可以使得机器更加的智能化，更有利于机器人的实际应用发展。
同时，利用计算机对人类表情进行分析也能够更好的促进人与人之间的交流，使得人与人之间，尤其是残障人士更好的表达自己，也能使得彼此之间能够更好的理解彼此的所表达的实际内心想法。
然而在人脸表情识别研究中我们发现，相对于预处理和最终的识别过程，在特征提取过程中，由于人脸是易变的、非刚性的，很难用固定的模型进行描述，因此特征提取是人脸识别技术中一个基本而又十分重要的环节。
这里将会对特征提取和降维技术以及它们存在的问题进行研究，以求得更好的表情识别率，更好的将表情识别运用的实际的生活中去，进而推动表情识别的研究、应用。
2 研究背景及意义人类表情识别技术的研究和实现的意义主要体现在以下几个方面: （1）能够很大的拓展相关学科的研究范围，促进其发展。
面部表情识别在本质上一个机器视觉领域的问题，但是人的面部表情识别的研究融合了认知科学、生理学、心理学等多门学科的问题。
如何利用现有的心理学、生理学的知识通过计算机去判断、解释这些学科上的问题，是人工智能领域和机器视觉领域的核心问题，在这个课题上的研究可极大促进这些学科的成熟和发展。
（2）提高案件侦破效率。
当今社会，犯罪人员越来越会伪装，使得办案人员，有时候无法识别犯罪嫌疑人的供词的真假。
根据在不同提问时犯罪嫌疑人的不同表情，可以更好的甄别出谎言。
这对办案人员的案件侦破效率将会有极大的提高。
（3）改善现有的人机交互，获得更加智能化的人机交互环境。
如果机器人能通过人脸表情分析，来获得人类的真实内在的想法，则可以极大的提高机器人的智能化水平，更好的促进智能机器人的更好，更快，更实用化的发展。
（4）在教育领域。
通过在课堂上对老师和学生的实时表情分析观察可以更好的了解学生的兴趣爱好，老师的教学能力。
以便于老师能够更好的改进自己的教学方式，促进教师与学生的非语言交流，使老师能够在课堂上更好的把握学生的心里发展。
（5）医疗领域。
在利用机器人进行手术操作和利用机器人进行病人的护理中，根据病人表情的变化来了解病人身体状况，可以更好的进行手术和护理操作，避免悲剧发生。
3 国内外研究概况及发展趋势未来研究方向主要有以下几个方面：（1）人脸为非刚性的柔体，人脸的不同表情表现在图像上会产生多种不同的变化，如五官的位置，形状等。
不同的表情特征对于表情识别的识别率和速度影响极大。
因此如何提取表情的有效特征,对于这些特征如何进行有效的表达这些是科研人员必须要解决的问题。
（2）人类表情千变万化，而且存在时间很短，对于整个表情识别的过程需要进行人脸定位、特征提取和识别，因此计算量必然很大。
如果对于这些过程进行粗略处理，那么识别结果必然会受到一些因素的影响，识别率一般不会太高；而进行精细处理，虽然能有效的提高识别率，但是时间的花费必然很高。
如何提出一种有效的算法，既能具有较低的时间去处理这些过程，又能具有较高的识别率，是科研人员不得不需要面对的一个问题。
（3）人脸表情会受到多种因素的影响，比如光照、姿态的变化，脸部阻挡等。
如何解决这些问题对表情识别的影响，也是比较大的一个挑战。
4 几种最新的表情特征提取方法静态图像的表情特征提取方法静态图像就是无变化的静止图片，在经过一系列的预处理( 如旋转校正、人脸定位、尺度归一、缩放等)之后就作为后续处理过程的对象。
a、几何特征提取方法几何特征的提取方法是一种宏观的方法，也就是说从总体上表示出人脸的结构变化。
该方法的主要工作是提取人脸面部的特征点，通过利用特征点之间的几何关系来提取人脸表情特征。
但是，几何特征的获取对特征点提取的准确性要求比较高，对细微变化的信息区分性不够。
代表性的几何特征提取方法主要有以下三种:(1) 主动形状模型( Active Shape Models，ASM) 。
是由 Cootes 等提出的一种基于统计模型的特征匹配方法，首先提取表情轮廓的特征点，特征点的集合形成训练集。
这样就可以用点分布模型进行描述，得到样本的统计模型。
然后 ASM 方法使用局部纹理模型在人脸表情图像中寻找特征点的最佳位置，并且根据搜索结果来调整统计模型的参数，这样可以使模型与人脸表情图像的轮廓逐步逼近，就可以达到准确定位目标的目的。
(2) 活动外观模型。
1998 年，Cootes 等首先在ASM 模型的基础上提出了活动外观模型 ( ActiveAppearance Models，AAM ) 方法。
跟 ASM 类似的是，AAM也是在对训练数据进行统计分析的基础之上建立模型，再利用该模型对目标来进行拟合计算。
Cheon等提出了一种差分主动外观模型(AAM) 和流形学习相结合的人脸表情识别方法，首先用差分AAM功能计算输入的人脸图像和一个模型之间的差异，然后用流行学习算法将提取的特征投影到连续的特征空间，最后进行表情的分类识别。
(3) 尺度不变特征转换 ( Scale-invariant FeatureTransform，SIFT)。
是一种局部描述子，它具有尺度不变性，可在图像中检测出关键点。
Berretti 等提出一种方法，利用 SIFT 描述子来描述图像的深度及纹理，然后选择最相关的功能特征，特征提取后再利用SVM 进行分类，在 BU-3DFE 数据库中，已获得77． 5%的平均识别率。
b、外貌特征提取方法外貌特征的提取方法是一种微观的方法，外貌特征是基于使用全部人脸图像像素性质的特征，反映了人脸图像底层的信息，尤其表现了局部细微变化的信息。
代表性的外貌特征提取方法主要有以下二种:（1）局部二值模式 ( Local Binary Pattern，LBP)。
是一种有效的纹理描述算子，是用来做图像局部特征比较的，它能对灰度图像中局部邻近区域的纹理信息进行度量和提取，并且能有效抑制光照的影响。
使用 LBP 算子的优点是它具有良好的旋转以及灰度的不变性，而且能够克服图像的位移、旋转以及光照不均衡等方面的问题。
它的计算比较简单，能够有效提取代表图像本质的纹理特征信息。
Shan等人用增强的 LBP 算法来进行特征提取，而且他们发现通过用支持向量机( SVM) 的方法来分类的话，可以得到很好的识别效果。
除了这个，他们还用 LBP 算法来对低分辨率的图像就行特征提取，发现它还是有着稳定的表现。
（2）Gabor 小波变换。
是人脸表情特征提取的一种经典手段，利用一组滤波器对图像进行滤波，其结果就可以反映局部像素之间的关系( 梯度、相关性、纹理等) 。
Gabor 小波的方法已经被广泛应用于人脸表情的特征提取，它能够检测多尺度、多方向的纹理变化，同时受光照变化影响较小。
Liu 等提出了一种结合Gabor 小波和核主成分分析 ( KPCA) 进行人脸表情识别的方法，取得了较好的性能。