摘要：提出融合局部特征和整体特片的方法实现人脸面部表现特征的提取。在每一个人脸图像上测量10个距离，把这些距离标准化后局部表情特征，用Fisher线性判别提取面部表情的整体特征；为了解决小样本问题，采取“PCA+FLD”的策略，先通过PCA把人脸图像向量投影到一个较低维的空间，再通过标准的FLD提取表情特征。融合后的特征输入到基于反向传播的前向型神经网络进行分析。在耶鲁大学yaleface数据库和日本ARF建立的日本女性表情数据库（JAFFE）上实验，得到令人满意的结果。

关键词：局部特征 整体特征 表情识别FLD PCA 神经网络

随着人机交互研究的深入和巨大的应用前景，人脸面部表情识别已经成为当前模式识别和人工智能领域的一个研究热点。在过去几十年内，研究者已经提出了很多用于面部表情识别的方法。目前的人脸面脸表情识别方法可以分为两种：基于局部特片和基于整体特征的。基于局部特征的人脸面部表情识别是利用每个人的面部特征（眉毛、眼睛、鼻子、嘴巴和面部轮廓等）的位置、大小及其相互位置的不同进行特征提取，达到人脸面部表情识别的目的。基于人脸整体特征的识别是从整个人脸图像出发，提以反映了整体的特征实现人脸面部表情识别。基于局部特征的方法很大程度上减少了输入的数据，但是有用限的特征点来代表人脸图像，一些重要的表情识别和分类信息就会丢失。为了弥补局部特征的这些不足，本文用Fisher线性判别提取面部表情的整体特片，然后通过局部特征和整体特征的融合来提高识别率。Fisher准则函数就是为了发现这样的投影方向，使得样本类间离散度和样本类内离散度的比值最大。换言之，就是在这样的投影方向，同一个类的样本聚集在一起，而不同类的样本相对比较分散。

1 面部表现特征的提取

1．1 局部特征的提取

人脸由眼睛、鼻子、下巴等部件构成，正因为这些器官的形状、大小和相对位置的各种变化才使得人脸表情千差万别。因此对这些器官的形状和结构关系变化的几休描述，可以作为人脸表情识别的重要特征。最早，研究人员利用人脸特征显著点导出一组用于识别的特征表示人脸及其表情识别。本文在人脸图像上标记24个面部特征点，如图1所示。

由这24个面部特征点形成12个测量距离，距离与面部特征点之间长度的对庆关系如表1。表1中tji表示面部特征点i和j之间的直线长度,di表示第i个测量距离。

表1 距离与面部特征点之间长度的对应关系

由这些测量距离归一化，即按照下式形成表征面部表情的特征：

1．2 整体特征的提取

Fisher线性判别（FLD），也称为线性判别分析（LDA），是基于样本的类别进行整体特征提取的有效方法，在模式识别中有着广泛的应用。设训练样本集共有N个训练样本{x1,…，xN}，发为c类{x1,…,xc}，每一类的均值为：第I类样本的离散度矩阵为：

总类内离散度矩阵：类间离散度矩阵SB=；总离散度矩阵：ST=Sw