人臉表情識別包括三方面的內(nèi)容：人臉檢測（定位），臉部表情特征提取，表情分類。
人臉表情分析系統(tǒng)的輸入圖像主要分為兩類，一類是簡單背景下的人臉圖像，一類是在任意復雜背景下的人臉圖像。目前大多數(shù)系統(tǒng)所使用的都是前一類圖像，而實際應用中的圖像多為復雜背景的圖像，而對此問題目前還沒有找到完美的解決方案。目前已經(jīng)有的技術可以檢測到一幅圖像中只有一個人臉的，也可以檢測多個人臉的（比如OpenCV的人臉檢測算法能比較準確的找出人臉所在的位置）。但是當人臉信息不完整時，檢測效果如何，可等考證。比如人臉部分被遮擋的情況下，或者是人臉有大角度偏轉(zhuǎn)時，如何檢測人臉應該是一個有較大難度的問題。在大量的文獻中描述了各種各樣的人臉檢測算法，主要包括：主元分析（PCA），神經(jīng)網(wǎng)絡，幾何模型，（可變形）模板匹配，運動提取，彩色分析等[1][2]。其中基于神經(jīng)網(wǎng)絡的方法需要大量的訓練樣本，而一些基于特征的算法可以實現(xiàn)非正面人臉的檢測，其它算法在某些特定的條件下也有優(yōu)良的表現(xiàn)。
人臉表情特征的提取的算法大致可以分為兩類：一類是基于特征的算法，一類是基于模板的算法?；谔卣鞯乃惴ㄍǔ６际菍讉€臉部特征點，及其周圍一小塊鄰近區(qū)域的信息的提取，用這些獲取的信息進行臉部表情的分類，主要有主動外貌模型（Active Appearance Models）[3][6],FAP提取,光流計算法等。Ekman and Friesen提出了Facial Action Coding System (FACS)[4]，它是一種基于面部運動單元（AUs）描述的面部表情編碼方法?；谀０宓乃惴ㄊ前岩粋€整體的人臉模型與圖像中的人臉進行匹配，或者在序列圖像中對人臉的運動變化進行跟蹤。這種算法的計算量通常很大。對面部特征點的選定，目前以手工標識為主，目標是設計出自動提取算法。在特征提取中，可以分為兩種方法，一種是手工標識特征點，一種是自動找尋特征點。在手工標識中，這個標識的過程也就默認的包含了人臉定位的過程，而標識出特征點，相當于就提取出了當前這幅圖像的表情特征（經(jīng)過一定的運算，較為簡單）；而當前研究較多的是特征點跟蹤問題，跟蹤有多種方法，像光流，AAM等，但跟蹤過程中也會出現(xiàn)一些問題，比如特征點跟蹤丟失如何恢復等，在所看到文獻中沒有得到解決。另一種是特征點的自動標識，這個問題比較復雜，有小部分文獻中談及這個問題，但都沒有很好的解決。它的前提是人臉檢測，然后是器官檢測（比如眼睛，嘴巴等），檢測到一個區(qū)域后，從這個區(qū)域中提取特征點相對就比較容易了，現(xiàn)在應用的主要有尋找圖像中的轉(zhuǎn)角。如果自動特征點技術比較成熟了之后，特征點跟蹤變的沒有必要了。
表情分類中涉及兩個問題，一是情感類型，二是分類方法。情感一般認為分成六類，即高興、憤怒、厭惡、恐懼、悲傷、驚奇，但模型如何建立仍無統(tǒng)一理論。表情分類的方法也很多，現(xiàn)在主要應用的有以下一些：(1) 基于模板的分類方法[5]；(2) 基于人工神經(jīng)網(wǎng)絡(ANN)的分類方法[7]；(3) 基于隱馬爾可夫模型(HMM)的分類方法[9]；(4) 基于概率論的貝葉斯分類方法；(5) 基于模糊規(guī)則的分類方法等。
