随着助老服务机器人智能化,基于表情识别的人机交互技术以逐渐成为研究热点。相对于语音和手势,表情交互在助老服务机器人多方式人机交互中的地位无可替代,例如对于行动或语言能力有缺陷的病人,机器人理解其面部表情则成为主要的交互方式,因此助老服务机器人具备面部表情识别功能,对实现人性化,自然化和智能化的人机交互有着重大意义。由于家庭服务机器人,特别是助老服务机器人,因为其服务的对象,所以要求表情识别系统具有较高的实时性能。本文采用GPU并行计算,实现系统的高实时性能,在分析三个核心算法的并行性的基础上,设计基于CUDA的核心程序,实验结果表明,系统具有较高的实时性能。面部表情识别的关键技术是对图像特征的提取。其一般流程为图像首先经过预处理,其次进行特征选择和特征提取,最后进行表情分类识别。本文利用机器人单目视觉系统在室内环境下获取视频信息,并按帧的方式提取静态表情图像。首先对采集的人脸图像进行图像预处理。分别从图像几何规范化和灰度规范化的角度,使用双线性插值和直方图均衡化的方法对人脸图像进行处理,使得表情图像符合特征提取的要求。二维Gabor小波具有良好的频率选择性和方向选择性,不同参数的Gabor滤波器能够捕捉图像中不同的空间频率、空间位置及方向信息,这些特征对光照条件以及人脸姿态的变化不敏感,具有一定的鲁棒性,非常适用于表示人脸图像。本文采用Gabor小波实现对人脸表情图像的特征提取。实验结果表明Gabor小波提取的特征可以有效地反应人脸图像的局部信息。由于Gabor提取的特征向量维数较大,并且特征向量之间存在高度冗余特性,这样会增加AdaBoost算法的训练时间,影响后续的支持向量机对表情图像的识别率,所以本文采用AdaBoost算法对Gabor小波的提取结果进行降维。实验结果证明AdaBoost可以有效降低Gabor特征向量的维数,而且降维后的特征向量并没有造成有效信息的丢失。本文中设计的识别系统中对疼痛表情与非疼痛表情进行识别是一个二分类问题,而支持向量机解决的基本问题是二分类问题。本文设计了支持向量机的表情识别实验,使用在实际环境拍摄的表情图像与JAFFE数据库标准表情图像,将这两种图像作为实验样本,分别对疼痛与非疼痛状态下的高兴、平静、愤怒、伤心时的表情进行交叉识别,取得较好的识别效果。最后,本文在算法的基础上设计了表情识别实验室系统。由于系统对实时性要求较高,本文在图形处理器GPU的软件平台CUDA上,实现了Gabor小波特征提取的并行化计算。