● 摘要
人类面部表情在形状和纹理上会表现出很大程度的差异性。产生人脸在外貌上差异性的原因有若干因素，包括人类个体对象不同、面部表情的变形、头部的姿态及光照条件等等。基于模型的技术在表征共性物体特征及向同类别物体匹配方面具有出色的表现。人脸模型就可以根据统计学习的方法，通过对由少数参数描述人脸特征的训练集的学习，来模仿人脸的形状和外观变化。
本论文旨在通过统计学习的方法建立人脸模型并以此进行人脸表情分析。该文主要分为三个部分：主动表观模型的理论介绍，主动表观模型拟合算法的改进和基于主动表观模型和支持向量机的人脸表情识别。
第一部分主要介绍了人脸图像基于统计模型的表示方法，主动表观模型。主动表观模型是一种自适应的模板匹配方法，它能从具有代表性的训练集里提取形状和纹理的变化模式。通过形状建模、纹理建模以及两者的结合，就可以生成参数化的人脸模型，此种模型不仅可以很准确地描述训练图像，对未知人脸也可以高质量地描述。
第二部分主要讨论了主动表观模型的拟合算法。将AAM模型向目标图像拟合是个非线性的优化问题，它通过不断更新模型参数来最小化纹理差量的方法达到拟合目的。在模型训练阶段，它通过学习纹理差量和模型参数的相关关系来实现一个快速的梯度下降算法。由于主动表观模型拟合问题实际上是图像对齐的过程，图像对齐常用的算法Lucas-Kanade算法就可以作为研究的起点，通过优化该算法来提高拟合效率。该部分内容中，讨论了增量映射与模板和目标图像角色互换在图像对齐过程中的理论可行性，通过实验验证了改进的算法在保证一定准确率的同时提高了拟合效率。
第三部分探讨了主动表观模型在人脸表情识别中的应用。人类表情有若干种基本成分的表情，如高兴、惊讶、悲伤等。该部分内容以主动表观模型来描述人脸特征，并以支持向量机作为表情分类器，探究该模型在人脸表情识别上的表现能力。