人脸表情识别技术是一个涉及到心理学、生物学、计算机学等等多门学科的交叉产物,由于人脸表情识别研究具有极高的应用价值和研究意义,近十年来,一直是人工智能领域的一个研究热点。得益于硬件技术的提高和深度学习技术的发展,人脸表情识别研究对象已经从实验室控制表情样本转移到了自然场景表情图像,同时也促进了人脸表情识别相关应用市场的蓬勃发展。反过来讲,迅猛发展的应用市场又对人脸表情识别研究提出了更高的要求,例如:环境约束少、计算速度快、小型便携等等。总之,研究更加快速方便的自动人脸表情识别技术,不仅是和谐人机交互、人工智能等发展的必然需求,也是相关应用市场迅速发展的必然要求。本论文旨在研究一种自然场景下快速人脸表情自动识别技术,主要针对其中一些关键技术进行了研究。本论文的主要研究内容和创新性工作归纳如下:一、快速准确的图像噪声强度检测技术。由于图像传感器设备固有缺陷,数字图像不可避免含有噪声,图像噪声不仅可能导致后续的人脸检测失败,而且会降低表情识别的准确度,所以,必须要对图像进行噪声强度检测,以明确图像质量是否需要去噪,并且为去噪程序提供必要的参数。现有的快速噪声强度检测技术容易对低噪声图像过估计,尤其是复杂背景图像,因而不能满足适应各种自然环境的需求。本论文提出了一种基于主成分分析（Principal Component Analysis,PCA）技术和主纹理图像区域的快速精准图像噪声强度估计方法,该工作主要有两个创新之处:（1）对基于主成分分析的噪声强度估计思想进行了深入剖析,针对传统PCA噪声估计方法不够精准的问题,建立了真实噪声强度、图像块大小、构建协方差矩阵图像块数量以及最小特征值四者之间的数学关系模型,从而能够利用最小特征值更加准确地计算图像噪声强度;（2）传统方法都是选择平滑（均匀）图像块来估计噪声强度,基于采样图像块样本越多越好的原则,本文方法创新性地选择主纹理图像区域估计噪声,因而本文方法不仅能够适应各种复杂环境图像,而且性能更加稳定。二、基于Gabor卷积网络的快速高效人脸表情识别技术。人脸表情的变化主要体现在眼睛、眉毛、嘴和鼻等丰富纹理区域,称之为感兴趣区域。Gabor特征是一种可以用来描述图像纹理信息的特征,Gabor滤波器的频率和方向与人类的视觉系统类似,特别适合用于纹理表示与判别,因而Gabor技术广泛应用于人脸表情识别领域。Gabor 卷积网络（Gabor Convolutional Network,GCN）融合了Gabor技术和传统卷积神经网络（Convolutional Neural Network,CNN）的功能,兼具了两者的优势,既能够有效检测纹理丰富区域,又能够通过反向传播技术学习最优系数。相比于传统CNN,GCN更擅长提取脸部感兴趣区域的特征,也就是说,GCN能够以较少的卷积单位和层次获得足够的人脸表情特征。因此,本论文设计了一个非常轻量化的GCN模型用于人脸表情识别任务,它的主要优势在于:（1）该GCN模型具有非常高效的表情特征提取能力和良好的表情识别性能,能够媲美人脸表情识别领域广泛采用的VGG16、ResNet18等著名CNN结构,甚至在有些数据集上比它们更优秀;（2）该GCN模型结构非常简单,仅含有四个卷积层和两个全连接层（包括Softmax层）,因而,计算复杂度低,参数量少,对计算资源、存储空间资源需求少,比传统CNN更加适合资源有限的小型设备。三、采用等角度固定权值的改进Softmax损失函数（Advanced Softmax Loss,ASL）。Softmax损失函数（Softmax Loss,SL）是人脸表情识别领域应用最多的一种监督函数,SL使不同类别的特征在角度域尽量分开,在SL监督下学习的深度特征的区分度不够好,因而,一些用于提升特征区分度的嵌入（Embedding）相继被提出来。提升深度特征区分度的基本原则是减小同一类特征之间的变化和增大不同类特征之间的距离,不同类特征之间的角度距离应该越大越好,本论文从最小化所有类间夹角的余弦值之和出发,推导出所有权值夹角的余弦值等于1/（1-n）（n是表情类别数量）是一种理想情况,基于此,提出了一种采用等角度分布固定权值的改进Softmax损失函数。ASL在一定程度上缓解了SL常常压缩少样本类角度空间的问题,同时也使得不同类特征之间的角度距离尽可能大,所以,相比于传统SL,ASL在准确度和可靠性方面都有着显著的提升。四、结合本文提出的一些相关技术,设计了一个自然场景下快速人脸表情识别系统,并在NVIDIA的Jetson AGX Xavier边缘计算设备上部署测试。该系统处理一张640 × 480 RGB彩色图像耗时大约0.3秒（采用GPU加速时大约0.1秒）,处理速度比一些其它的表情识别系统快得多。