随着人工智能时代的到来,人机交互越来越受到重视,而多视角人脸表情识别技术的提高将会使人机交互得到质的飞跃。目前,多视角人脸表情识别技术已经在生活中的很多领域得到了应用。正脸的人脸表情识别率较高,但摄像头捕捉到的人脸绝大部分都不是正脸,因此,提高多视角人脸表情识别率显得尤为重要。本文将从多视角人脸表情识别的三大方面进行研究,分别是图像预处理、特征提取和分类识别。主要工作如下:1、预处理包括人脸的分割和鼻子的分割。纯人脸分割是人脸表情识别的基础,鼻子的分割对人脸头部姿态判别重要。本文采用YCrCb颜色阈值分割模型提取纯人脸图像,采用卷积神经网络实现人脸头部姿态判别。实验结果表明,对于不同的人脸朝向,均具有良好的分割效果,且本文基于鼻子图像特征信息的卷积神经网络方法具有良好的人脸头部姿态识别效果。2、特征提取包括小波变换域信号的高斯马尔科夫随机场纹理特征和梯度方向直方图形状特征。小波变换具有信号多尺度分析的优点。所以,在人脸图像小波变换信号上提取的高斯马尔科夫随机场特征,能够更加清晰的表达人脸表情的类间差异。梯度方向直方图方法通过固定窗口的扫描和数学运算,能够完整地计算出局部区域像素的梯度幅值和方向,进而有效地提取人脸表情的形状特征。实验结果表明,本文提出的小波随机场纹理特征和梯度方向直方图形状特征的结合算法,能够有效地提高多视角人脸表情识别率。3、分类识别采用支持向量机算法,特征向量的形成是影响识别率的关键。本文研究了特征的分块以及分块组合方式对分类结果的影响,合理的分块数量以及合理的不同分块的组合会提高多视角人脸表情识别率,本文给出了最佳的分块数量和分块的组合方式。本文在KDEF数据集上进行了 5种不同角度的表情识别实验以及与其他方法的对比实验,验证了本文提出的多特征多视角表情识别算法的有效性。实验结果表明,在5种不同的角度下,具有良好的识别效果,不同角度的平均人脸识别率为96%。