情绪是人们对周围事件或者事物的一种态度,而面部表情是人们表达内心情感和意图最直接、最自然的一种方式。面部表情主要是人们在受到刺激后所做出的应激反应,主要包括宏表情和微表情两个方面,其差异之处主要在于其持续时间和强度。相比于宏表情来说,微表情具有持续时间短,强度低,难以诱导等特性,是在经历情绪期间非自发的、即时的面部动态,通常可以揭示人想要隐藏的真实情感。基于微表情的检测和识别有许多重要应用,如犯罪检测、商业谈判等,在各领域有着极大的应用价值和广阔的发展前景。随着计算机和模式识别技术的不断发展,基于面部的表情识别已经引起人们的广泛关注,面部表情识别已经成为新兴学科的一个重要研究领域,而微表情识别是面部表情识别中一个重要的研究方向。由于机器学习在分类、聚类、回归等领域已经取得了成功,所以现阶段,微表情识别主要是利用机器学习实现,但是由于受到训练样本大小的限制,导致模型训练不够优化,识别率不高。在传统的机器学习中,需要训练和测试数据均来自相同的特征空间,而跨源学习可以将所有的任务结合,系统地进行学习,解决了数据分布不同的问题,在一定程度上可以解决因数据不足导致的模型训练不够优化的问题。由于宏表情和微表情在情感特性上具有一定的相关性,因此,为了解决微表情识别受训练样本大小限制导致的模型训练不够优化的问题,本文进行了面向微表情识别的跨源图像识别技术研究。具体而言,本文的主要贡献如下:·提出了基于更新标记向量的耦合源域目标化模型,利用样本丰富的宏表情,将宏表情和微表情投影到一个公共子空间,充分利用源域和目标域中的信息,实现宏表情到微表情的跨源学习。·提出了基于联合稀疏字典学习分解的微表情识别模型,将宏表情与微表情共同投影到标签空间进行字典学习,并对各自的字典进行二分解,找到宏表情和微表情的共同表情信息部分,构建了宏表情样本与微表情样本之间的情感联系,从而提升微表情的识别率。通过实验分析表明了所提出的基于联合稀疏字典学习分解的微表情识别模型有效提升了微表情识别率。·提出了多任务多视角学习的特定类强相关张量耦合度量学习模型,借助样本丰富的表情样本,学习特定类的映射将表情和微表情样本同时映射到公共空间。同时,加入了迹范数以增强特定类的样本之间的相关性。为了减少多特征所引入的冗余信息,利用F范数和L21范数对多特征进行特征选择。此外,以特征点为中心对微表情进行分块,进行多任务学习。