面部表情的人工智能识别算法
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。
基于机器学习的3D面部表情识别研究
基于机器学习的3D面部表情识别研究随着人工智能和机器学习技术的不断发展，基于机器学习的人类面部表情识别技术逐渐成为了当前人工智能领域中备受关注的热门方向。
而在这一领域中，基于3D面部表情识别技术更是受到了广泛的关注。
3D面部表情识别技术是一种基于面部深度信息的表情识别技术。
相比于传统的2D面部表情识别技术，3D面部表情识别技术具有更高的准确性和鲁棒性。
这是由于3D面部表情识别技术可以利用面部深度信息来识别表情，从而避免了因为2D图像中光照和角度等影响因素而产生的识别误差。
基于机器学习的3D面部表情识别技术主要分为两个阶段：训练阶段和测试阶段。
在训练阶段中，需要将大量的3D面部表情数据输入到机器学习算法中进行训练。
这些数据包括不同的面部表情，以及对应的面部深度信息。
在训练过程中，机器学习算法通过学习这些数据，建立起一个表情分类模型，该模型可以将不同的面部表情映射到不同的表情类别中。
同时，为了提高模型的准确性和鲁棒性，还需要采用一些特征提取和特征选择技术来提取和选择最优的面部深度特征。
在测试阶段中，需要将待识别的3D面部数据输入到已经训练好的模型中，通过比较输入数据和模型中已有的表情类别，来确定输入数据对应的表情类别。
在测试过程中，模型的性能评价指标主要包括准确率、召回率、F1值、AUC等。
目前，基于机器学习的3D面部表情识别技术已经在很多领域得到了广泛应用。
比如，该技术可以应用于虚拟现实和游戏等领域中，帮助用户更加自然地与虚拟世界进行交互；同时，该技术还可以应用于医学和心理学领域中，帮助医生和心理学家更准确地诊断和治疗疾病。
总之，基于机器学习的3D面部表情识别技术是一个很有前景的研究方向。
在未来，该技术还会进一步得到发展和应用，为我们的生活和工作带来更多的便利和创新。
人脸表情识别AI技术中的人脸表情分析和识别模型
人脸表情识别AI技术中的人脸表情分析和识别模型近年来，随着人工智能技术的不断发展，人脸表情识别AI技术逐渐引起了人们的关注。
人脸表情分析和识别模型作为其中重要的一环，对于实现准确的表情识别起着至关重要的作用。
本文将对人脸表情分析和识别模型进行探讨，以期加深对这一技术的理解。
一、人脸表情分析模型人脸表情分析模型是指通过对人脸图像进行处理和分析，来判断人脸表情所属类别的技术。
在这个模型中，首先需要进行人脸检测和人脸关键点定位的工作，以准确获取人脸区域及各个面部特征点的位置。
之后，通过提取人脸的纹理特征，如颜色、纹理等，将其转化为数值特征向量。
接着，利用机器学习算法对这些特征向量进行训练，构建分类器模型，从而实现对不同表情的识别和分类。
目前，常见的人脸表情分析模型主要包括传统的机器学习模型和深度学习模型。
传统的机器学习模型，如支持向量机（SVM）、人工神经网络（ANN）等，需要手动选择和提取特征，并通过特定的算法进行训练。
而深度学习模型则通过多层神经网络的结构，自动学习图像中的特征，进一步提升了模型的准确性和鲁棒性。
在人脸表情分析中，深度卷积神经网络（CNN）是最经典的深度学习模型之一。
它通过多层卷积层和池化层的组合，能够高效地提取图像中的特征。
此外，针对表情识别任务，还可以采用循环神经网络（RNN）结构来捕捉序列信息，如长时间的表情变化。
这些深度学习模型在表情识别准确度上取得了较好的效果，并已经在实际应用中取得了广泛的应用。
二、人脸表情识别模型人脸表情识别模型是建立在人脸表情分析的基础上，通过对人脸表情的判别来实现对具体表情的识别。
在这个模型中，首先需要将输入的人脸图像进行预处理，包括图像的归一化、去噪、增强等操作，以提高识别的准确性。
接着，通过训练好的表情分析模型获取图像中人脸的表情类别。
最后，通过与预先设置的表情库进行对比，确定输入图像所表达的具体表情。
人脸表情识别模型的准确度和鲁棒性直接受到表情分析模型的影响。
基于面部表情识别的情感分析方法探究
基于面部表情识别的情感分析方法探究情感是人类交流和表达的重要组成部分。
在社交互动中，人们通过面部表情来传递情感信息。
随着人工智能的发展，基于面部表情识别的情感分析方法逐渐受到关注。
本文将探讨这一方法的原理、应用以及存在的挑战。
一、面部表情识别的原理面部表情识别是通过计算机视觉技术来分析和解读人脸上的表情信息。
这一技术主要基于人脸图像的特征提取和分类算法。
首先，通过摄像头或图像采集设备获取人脸图像，然后利用图像处理算法提取面部特征，如眼睛、嘴巴的位置、形状等。
接下来，利用机器学习算法对提取的特征进行分类和识别，判断出人脸表情所对应的情感类别。
二、基于面部表情识别的情感分析应用1. 情感识别：基于面部表情识别的情感分析可以帮助人们更准确地理解他人的情感状态。
例如，在社交媒体平台上，通过分析用户的面部表情，可以了解用户对某一内容的喜好或厌恶程度，从而为用户提供更加个性化的推荐服务。
2. 情感监测：面部表情识别的情感分析方法也可以应用于情感监测领域。
例如，在医疗领域，通过分析患者的面部表情，可以及时发现患者的疼痛或不适感，从而更好地进行病情评估和治疗。
3. 情感驱动的交互：基于面部表情识别的情感分析还可以应用于人机交互领域。
通过分析用户的面部表情，可以实现情感驱动的交互体验。
例如，智能音箱可以通过识别用户的面部表情来判断用户的情感状态，从而调整音箱的音量、音调等参数，提供更加个性化的服务。
三、基于面部表情识别的情感分析方法面临的挑战1. 多样性的表情：人类的情感表达非常丰富多样，不同文化和个体之间的表情差异也很大。
因此，如何建立一个准确的情感分类模型是一个挑战。
2. 光线和角度的影响：面部表情识别的准确性受到光线和角度的影响。
当光线较暗或者拍摄角度不合适时，面部表情的识别结果可能会出现偏差。
3. 隐私问题：面部表情识别涉及到个人隐私的问题。
在应用该技术时，需要确保用户的隐私得到充分保护，并遵守相关的法律法规。
人脸识别算法流程
人脸识别算法流程人脸识别算法是一种通过图像或视频中的面部特征来确认个人身份的技术。
它主要包括图像采集、预处理、人脸检测、人脸对齐、特征提取和分类识别等几个主要流程。
下面分别来详细介绍每个环节的具体流程及应用。
一、图像采集图像采集是人脸识别算法的第一步，即通过各种不同的方式获取人脸图像。
传统的方法是使用专业相机或摄像机进行拍摄，而现在随着智能手机和电脑摄像头的普及，移动设备也可以用于图像采集。
还可以使用其他传感器收集人脸图像，如红外线摄像机以及3D扫描等。
二、预处理图像采集通常会受到噪声、光照和姿态等因素的影响。
预处理主要用于去除这些因素的影响，使得人脸图像更适合进行后续处理。
预处理技术通常包括灰度化、直方图均衡化、滤波、归一化等方法。
三、人脸检测人脸检测是指在整个图像中自动定位和提取出人脸区域的过程。
常见的人脸检测方法包括基于面部颜色模型、基于特征的方法、基于机器学习等。
常见的人脸检测及识别库包括OpenCV、Dlib、MTCNN、YOLO等。
四、人脸对齐人脸对齐是指将人脸图像中的关键点对齐到固定位置的过程，通常是在人眼、鼻子和嘴角等关键点的基础上进行。
主要目的是消除人脸图像中因姿态、光照等因素引起的形变，使得后续处理更加准确。
五、特征提取特征提取是人脸识别算法中最关键的环节之一，它根据人脸的各种特征信息，将人脸图像转换为高维度的向量形式，这个向量被称为特征。
主流人脸识别算法的特征表示方式包括局部二值模式（LBP）、主成分分析（PCA）、线性判别分析（LDA）、卷积神经网络（CNN）等。
特征向量常表示为X宽×M高的矩阵，每行代表一个数据的特征向量。
六、分类识别分类识别是指根据特征向量的相似度分数，判断输入的人脸图像是否属于已知的某个人脸类别。
常见的分类识别方法包括最近邻算法、支持向量机（SVM）、神经网络等。
在实际应用中，人脸识别技术可以用于多个领域，如安防、金融、教育、医疗等。
它可以用来进行身份验证、安全访问控制、表情识别、人脸表情分析、面部跟踪等。
基于人工智能的表情识别算法研究
基于人工智能的表情识别算法研究近年来，随着人工智能技术的不断发展，表情识别技术也逐渐进入大众视野，受到了广泛的关注和研究。
人工智能的表情识别算法，是通过分析人在不同情感状态下面部表情的细微变化，来判断人的情绪状态的一种技术。
这项技术可以广泛应用于安全监控、医疗辅助、智能交互等多个领域，并且在未来的发展中还有着更广阔的应用前景。
本文将重点探讨基于人工智能的表情识别算法的研究现状以及未来发展趋势。
一、基于人工神经网络的表情识别算法人工神经网络是一种模拟人类神经系统的人工智能算法，该算法模型由多层连接的神经元组成，每个神经元接收来自前一层神经元的输入，在通过激活函数等一系列计算后输出结果。
神经网络是一种能够模拟人类认知能力的算法，也是目前表情识别技术中广泛使用的模型之一。
神经网络可以通过大量的训练数据对其模型进行不断优化，提高其准确率和性能。
同时，神经网络也可以通过不断自我学习和优化，来适应更广泛的情境和应用场景。
基于人工神经网络的表情识别算法，需要构建一个适当大小的神经网络模型，并配合大量的训练样本，通过深度学习等一系列算法来完成训练和优化。
通过训练神经网络，可以将不同的面部特征与不同的情感状态进行关联和匹配。
一旦建立了这种关联，就可以通过输入一个面部图像，来预测出其中所表达的情绪状态。
二、基于深度学习的表情识别算法深度学习是一种属于机器学习领域的人工智能算法，该算法模型由多个神经网络层组成，每个层都是前一层的输出结果。
深度学习是目前表情识别技术中的一种重要方法，也是人工神经网络的一种升级版。
相比于人工神经网络，深度学习算法具有更强的非线性逼近能力和更好的泛化性能。
基于深度学习的表情识别算法，也需要大量的训练数据和高性能计算资源。
通过不断调整神经网络的参数和结构，可以逐步提高其准确率和性能。
与传统的机器学习算法相比，深度学习算法具有更好的普适性和可迁移性，可以适应更广泛的数据类型和应用场景。
三、基于卷积神经网络的表情识别算法卷积神经网络是一种特殊的神经网络模型，其主要应用于图像处理和计算机视觉领域。
人脸识别中的表情分类和情绪识别算法研究
人脸识别中的表情分类和情绪识别算法研究摘要：随着人工智能和计算机视觉技术的迅速发展，人脸识别技术已经成为一个重要的研究领域。
其中，人脸表情分类和情绪识别是人脸识别技术中的重要分支。
本文将对人脸识别中的表情分类和情绪识别算法进行研究和探讨，并对其应用和发展前景进行展望。
1. 引言人脸表情是人类表达情感和心理状态的重要方式之一。
在人脸识别技术中，准确地识别和分类人脸表情和情绪可以为人机交互、情感计算、安全检测等领域提供重要的数据基础。
因此，人脸表情分类和情绪识别算法的研究具有重要的理论和应用价值。
2. 人脸表情分类算法人脸表情分类旨在将人脸图像划分为不同的表情类别，常见的表情类别包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中立等。
目前，人脸表情分类算法主要基于机器学习和深度学习方法。
机器学习方法主要采用传统的特征提取和分类器训练方法，如使用主成分分析法（PCA）提取特征，然后使用支持向量机（SVM）或k最近邻（KNN）等分类器进行分类。
深度学习方法则通过构建深度神经网络模型，利用大量的人脸表情图像数据进行训练，从而自动学习高层次的抽象特征和分类模型。
当前，基于深度学习的方法在人脸表情分类中取得了较好的结果，但仍存在一些问题，例如数据不平衡、样本噪声等。
3. 情绪识别算法与人脸表情分类相比，情绪识别更加复杂，需要对人脸图像中的情感内容进行深入理解。
情绪识别算法的研究主要包括面部特征提取和情绪分类两个步骤。
面部特征提取旨在从人脸图像中提取与情绪相关的特征，通常包括几何特征、纹理特征和动态特征等。
情绪分类则利用机器学习或深度学习方法将提取到的特征映射到对应的情绪类别上。
近年来，深度学习在情绪识别中的应用逐渐增多，例如使用卷积神经网络（CNN）进行特征提取和分类，并取得了较好的效果。
4. 应用和发展前景人脸表情分类和情绪识别算法在许多领域都有重要的应用价值。
例如，在人机交互中，人脸表情和情绪的识别可以改善虚拟助手和机器人的交互体验，使其能够更好地理解和回应用户的情感需求。
面部表情识别
面部表情识别面部表情是人类日常交流中十分重要的一种非语言沟通方式。
人们通过面部表情来传递情绪、意图和社交信号。
随着计算机视觉和人工智能的快速发展，面部表情识别技术逐渐成为研究热点和应用领域。
本文将介绍面部表情识别的原理、方法和应用。
一、面部表情识别的原理面部表情识别是指通过计算机技术和算法来自动识别和分析人脸上的表情。
其原理主要基于人脸特征提取和模式识别。
在面部表情识别的过程中，通常需要经过以下几个步骤：1. 人脸检测：首先需要使用人脸检测算法来定位图像或视频中的人脸位置，并进行人脸图像的裁剪和归一化处理。
2. 特征提取：通过提取人脸图像中的关键特征，如眼睛、嘴巴、眉毛等区域的形状、位置和运动信息，以及皱纹、凹凸等纹理信息，来表示面部表情。
3. 表情分类：将提取到的面部特征输入到机器学习或深度学习模型中，通过训练来判断面部表情所属的类别，如喜、怒、哀、乐等。
常用的分类算法包括支持向量机、卷积神经网络等。
二、面部表情识别的方法在面部表情识别领域，有很多种方法和算法被广泛应用。
以下是几种常见的方法：1. 基于几何特征的方法：通过测量人脸上不同区域的距离、角度等几何特征来表达面部表情。
这种方法简单直观，但对光照、角度等因素较为敏感。
2. 基于纹理特征的方法：利用人脸上的纹理信息，如灰度、纹理分布等特征来表示面部表情。
常用的纹理特征提取方法包括局部二值模式、光流法等。
3. 基于深度学习的方法：近年来，深度学习方法在面部表情识别中取得了显著的性能提升。
通过使用深度神经网络，如卷积神经网络、循环神经网络等，可以在大规模数据上进行端到端的训练和特征提取。
三、面部表情识别的应用面部表情识别技术在许多领域都有广泛的应用。
以下是几个常见的应用场景：1. 情绪分析：通过分析面部表情来判断人的情绪状态，可应用于市场调研、用户体验评估、心理疾病辅助诊断等。
2. 人机交互：将面部表情识别技术应用于智能设备和机器人，可以实现更自然、智能的人机交互方式，提升用户体验。
- 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)。
面部表情的人工智能识别算法
发表时间：2019-12-04T16:58:43.310Z 来源：《学习与科普》2019年37期作者：杜力
[导读] 随着科学技术的飞速发展，计算机在人们日常生活中的重要性越来越突出。
长江职业学院湖北武汉 430074
摘要：随着科学技术的飞速发展，计算机在人们日常生活中的重要性越来越突出。
人工智能作为计算机应用的重要组成部分，已经逐渐开始崭露头角，为科学技术带来了新的发展机遇和挑战。
面部表情识别技术是人工智能技术的主要应用场景之一，是智能交通、公共安全等多个领域的热门研究课题和发展方向。
本文对面部表情识别技术进行了研究和分析。
关键词：表情识别，人工智能，人机交互
引言
近几年来，随着计算机技术的飞速发展，计算机已经从一种简单的工具转变为人们生活中不可或缺的一部分。
由于计算机技术在人们日常生活中的参与度越来越高，计算机技术越来越人性化和智能化，人们希望计算机能够理解人们的感情，人机交互更加畅通，计算机真正成为人类的好帮手，为人们的工作和生活带来前所未有的便利。
近几年来，基于人工智能的面部表情识别技术得到了飞速发展。
作为人工智能的重要组成部分，面部表情识别技术在多个学科和领域有着广泛的发展前景。
人脸的表情蕴含着丰富的信息，在人们日常生活中，面部表情是语言交流以外最重要的信息交换方式。
近几年来，面部表情识别技术在图像识别和人工智能领域获得了广泛的关注。
对人脸表情进行分析和识别的研究具有非常高的应用价值。
面部表情的研究涵盖了生物学、数学等多个学科，涉及图像的分析、理解和分类。
面部识别技术的研究对这些学科和领域的发展具有积极的促进作用。
同时，由于面部识别技术具有很高的实用性，将会对许多行业产生深远的影响。
面部表情识别技术通过提取人脸图像中有效的表情特征，和已有的表情特征库中的数据进行对比，达到面部表情识别和分析的目的。
不同的识别方法在不同的条件下，所达成的分析效果和分析效率也有所差异。
对于每一种方法而言，表情特征提取是非常重要的步骤，因此，如何有效地选择和优化表情提取算法，提高识别效率和识别准确率，是面部表情识别研究的要点[1]。
面部识别的应用领域
智能化人机交互
随着人工智能技术的快速发展，人们不满足于仅仅同计算机之间进行简单的机械式人机交互，人们希望计算机能够理解人类的语言和情绪。
面部识别技术通过对人脸的定位、观测和分析，可以在人机之间进行智能化的理解和响应。
面部识别技术可以使人机交互更加人性化和智能化，极大地满足了人们的需求。
安全领域的智能监控
在我们的生活中，一些特殊的工作岗位对于安全问题的要求非常高。
可以使用面部表情识别技术对工作人员的面部表情进行实时监控，动态掌握工作人员的精神状态和工作强度，对于可能出现的安全问题进行警报，来提高工作人员的工作安全性。
此外，可以使用面部表情识别技术，在人流量大的公共场所监控面部表情异常人群，来达到预警的目的，保障公共场所的安全。
心理状态分析
作为日常生活中必不可少的交流方式，面部表情可以直观地表达人们的情感。
通过对犯罪嫌疑人、精神病患者等特殊的人群进行面部表情识别，动态监控这类人的情感变化，并对这些变化进行分析，可以帮助我们理解他们的内心情感，理解他们的内在行为，以期解决实际问题。
面部表情识别技术可以帮助警察、安全保障人员等特殊工作者提高工作效率，在保障社会安全方面发挥着重要的作用。
医护监护
在目前的社会发展现状下，医疗资源较为匮乏，医患模式通常是一对多，对于重症监护病人或者活动受限的病人来说，一对多的医患模式带来了相当大的安全隐患，有可能造成很严重的后果。
通过使用表情识别技术，对患者面部表情进行记录和分析，在可能面临突发情况的时候发出预警，最大限度地保障患者能够得到及时地救治。
教学监护
人脸表情识别技术同样可以运用于教学中。
比如，当使用远程教学或者授课人数较多的时候，通过使用表情识别技术，对学生面部表情进行记录和分析，帮助老师获取教学反馈，判断学生学习质量，并及时对教学内容进行调整，保障教学质量。
娱乐产业
动漫、电影及游戏等声乐娱乐产业越来越受到广大消费者的青睐。
利用面部识别技术，通过对人们真实表情的记录和分析，帮助娱乐产业制造出真实生动的人物形象，极大地促进了声乐娱乐产业的发展。
面部表情识别方法
面部表情识别技术是人工智能领域的重要课题，在各行各业有着广泛的应用前景。
由于人类表情的复杂性，面部识别技术的研究非常具有挑战性。
近几年来，面部表情识别研究方法得到了较快的发展，主要研究过程如下：人脸检测和定位
在图像中对人脸进行检测和确切定位是面部识别的第一步。
通过对人脸进行建模，对图像和人脸模型进行匹配，利用人脸所遵循的普遍规则，如灰度分布、轮廓规则、运动规则等特征，获取可能存在的面部区域。
面部表情提取
基于几何特征的识别是最早的识别方法之一，由于人脸是由多种几何线条组成，表情的变化也会导致面部几何形状的改变，可以通过对人脸进行分解，对关键器官进行几何形状的识别，通过匹配预先生成的表情库，获取待分析区域的表情信息。
基于统计的识别方法要求尽可能多地保留待分析区域的信息，通过对整个表情图像进行变换来获取主要的面部表情特征。
由于人类不同的面部表情下，各个面部器官是相互关联的，几何分析法割裂了器官之间的关联性，因此容易造成误判。
基于统计的识别方法通过复杂的统计规则，对整个待分析区域的器官进行联合分析，最大限度地保证了分析结果的准确性[2]。
基于模型的识别对待分析人脸图像进行3D建模，将建模结果与预先准备好的面部表情3D模型库进行整体匹配，获取最为接近的表情模型。
基于模型的识别具有很高的准确度，但是要求建立完整丰富的面部表情模型库。
此外，还有利用小波分析进行图像识别、利用隐马尔科夫模型对面部微表情进行分析等多种分析算法。
同时，由于人类表情和心理学、生物学知识的紧密关联，通过机器学习与心理学、生物学知识相结合的方法，可以有效提高面部表情识别技术的准确率，越来越多的研究人员开始深入研究基于心理学和生物学的情感计算这一课题，为面部表情识别技术提供新的发展和研究方向。
总结
面部表情识别是一个非常有挑战性的课题，对人脸表情进行分析和识别的研究具有非常高的应用价值。
虽然在近几年来，面部表情识别技术取得了较大的进展，但是目前许多研究理论还不完善，算法和模型构建并不成熟，真正在实际生产生活中的应用比较少。
但是毋庸置疑，面部表情识别将会是未来科技发展的一个重要方向，将会为人们的生产生活带来非常大的影响。
对于面部表情识别的研究具有非常重要的现实意义。
参考文献：
[1]朴林植，赵杰煜.基于统计形状分析的人脸基本表情分析[J]. 宁波大学学报（理工版）， 2009，22（2）：196-210.
[2]陆慧聪.面部表情识别系统中表情特征提取与识别算法的研究[D].东南大学，2006.。