人工情感是人工智能的一部分,它是使用人工的方法和技术来模仿、延伸和扩展人类的情感。由于机器人在越来越多的领域得到应用,人们需要机器人具有智能性,自主性和互动性的特点,要使人工情感的实现成为可能。基于计算机视觉的人脸表情识别是人工情感研究中的一个重要组成部分。人脸表情识别是一个涉及心理学、生物信息科学、图像处理、计算机视觉、模式识别和机器学习等领域的交叉学科,自20世纪80年代问世以来受到了广泛关注人脸表情识别系统主要包括三个部分：人脸检测,特征提取和分类。其中,特征提取是最重要的部分,它直接影响到最终的识别结果。影响表情识别率的因素有以下几方面,一是受到外部环境的影响,如光照、角度、遮挡物和脸部位置等干扰因素；二是人脸表情丰富,表情的变化细微而复杂；三是人类对表情的控制能力有限,对表情变化特点的概括也有限。为了解决表情识别面临的诸多困难,提高识别率降低识别时间,国内外很多专家学者做出了很多创新,提出了很多识别效果很好的新型算法,使得表情识别领域仍然具有重要的科研价值和广阔的发展前景。在识别方面的一些经典算法,已被应用于表情识别的领域,并具有很好的效果,如主成分分析(PCA),独立分量分析(ICA),Fisher线性判别(FLD)。本文提出一个新的面部表情特征提取方法,基于提升小波和FLD的算法。提升小波的优势在于,其变换可以在空间域完全实现,具有空间域局部性的特征,有利于表情细节特征的提取；而且提升小波结构简单、运算量低、原位运算、存储空间较小,有利于硬件实现及应用。实验中将低频分量与高频分量相结合,同时保留了表情的概貌与细节,获得更多的表情信息。新算法的主要步骤如下：首先,对图像进行预处理,按照统一标准对图像中的人脸进行处理,也就是对脸部特征点进行归一化处理,最终得到的图像有相同的尺寸、方差和灰度均值。其次,将人脸表情图像通过提升小波变换处理,获得的图像中包含主要表情信息。其次,改进Fisher线性判别(FLD)用来进行特征提取,得到人脸表情图像的特征提取信息。最后,K-近邻方法用于分类。采用提升小波变换与FLD州结合的特征提取方法,由于提升小波的空间域局部性的特点,识别率比利用Gabor小波特征提取时提升了0.4个百分点,提升小波特征提取方法更具优势,有效验证了提升小波对提高识别率的帮助。并且表情识别的特征提取时间缩短了接近3倍。既提高了表情识别率,又使训练时间缩短,同时过程较为简单,易于实现,有比较高的实用性。