[0283] 根据训练过程中选取点的顺序及鼻子的特征，该里针对第7个特征点和第14个特 征点水平方向上的距离进行计算，第7个特征点和第14个特征点均是定位在左右鼻孔的左 侧点和右侧点，得到
[0284]
[02财嘴己
[0286] 和眼睛部分的特征点选取及计算相似，对于嘴己部分，上嘴唇和下嘴唇分别选取 20个特征点构成两个特征点向量：
[0289]对上嘴唇和下嘴唇分别进行曲率计算，得到上嘴唇和下嘴唇的曲率均值为 心/，，。然后为了更准确地获得嘴己张开大小的变化，计算上嘴唇和下嘴唇对应的 18个特征点垂直方向上的距离及平均值^/廣''W及下嘴唇的周长P^ ;
[0294] 另外，因为我们的表情识别是基于与中性表情进行对比实现的，而且JAF阳人脸 表情数据库中的人脸图像对于每个女性均有3幅中性表情图像，所W该里为了提高对比的 准确性，我们对每个人脸的3幅中性表情图像的表情数据进行平均值计算。
[0295] 惊讶表情
[0296]对比中性、惊讶表情人脸图像，参考中性表情的计算过程，我们同样获得惊讶表情 的各数据定义如表3-6。
[0297] 表3-6惊讶表情数据定义
[0298]
[0299] 依据惊讶表情脸的运动特征，眉毛变高变弯，即相对中性表情来讲惊讶时眉毛曲 率变大，眉毛和眼睛的距离变大。所W得到惊讶眉毛的表情数值约束条件如表3-7 (所有参 与比较的数据均为取绝对值之后，W下不再寶述）。
[0300] 表3-7惊讶表情眉毛数值约束
[0301]
[0302] 依据惊讶表情脸的运动特征，眼睛应该相对中性表情时变大，因此转换成数值约 束条件如表3-8。
[0303] 表3-8惊讶表情眼睛数值约束
[0304]
[0305] 鼻子部分
[0306] 依据表情脸的运动特征，对于惊讶表情鼻子的规律相对不明显，因此对于鼻子的 数值约束如表3-9。
[0307] 表3-9惊讶表情鼻子数值约束 [030引
[0309] 嘴己部分
[0310] 依据表情脸的运动特征，惊讶表情嘴己张开相对变大，因此得到数值约束条件如 表 3-10。
[0311] 表3-10惊讶表情嘴己数值约束
[0312]
[0313] 综合W上惊讶表情相对中性表情的数据约束条件，总结如表3-11。
[0314] 表3-11惊讶表情数值约束 [031引
[0316] 高兴表情
[0317] 对比中性、高兴表情人脸图像。参考中性表情数据的计算过程，高兴表情数值定义 如表3-12。
[031引表3-12高兴表情数据定义
[0319]
[0320] 眉毛、眼睛部分
[0321] 依据表情脸的运动特征，高兴表情眉毛变化相对不明显，因此其数值约束条件如 表 3-13。
[0322] 表3-13高兴表情眉毛数值约束
[0323]
[0324] 依据表情脸的运动特征，对于眼睛部分，高兴时眼睛会相对变小，因此其数值约束 如表3-14。
[0325] 表3-14高兴表情眼睛数值约束
[0326]
[0327] 鼻子部分
[032引依据表情脸的运动特征，对于鼻子部分，高兴时相对鼻子会变宽，，因此其数值约 束条件如表3-15。
[0329]表3-15高兴表情鼻子数值约束
[0330]
[0331] 嘴己部分
[0332] 依据表情脸的运动特征，对于嘴己部分，高兴时嘴角上扬、嘴己张开，因此其数值 约束条件如表3-16。
[0333] 表3-16高兴表情眼睛数值约束
[0334]
[0335] 综合W上高兴表情相对中性表情的数据约束条件，总结如表3-17。
[0336] 表3-17高兴表情数值约束
[0337]
[033引厌恶表情
[0339] 对比中性、厌恶表情人脸图像。参考中性表情的数据计算过程，厌恶表情的数据定 义如表3-18。
[0340] 表3-18厌恶表情数据定义 「03411
[034引眉毛、眼睛部分
[0343] 依据表情脸的运动特征，厌恶表情的眉毛会皱起，即眉毛变平直，因此其眉毛数值 约束条件如表3-19。
[0344] 表3-19厌恶表情眉毛数值约束
[034引
[0346] 依据表情脸的运动特征，对于眼睛部分，厌恶表情眼睛相对会变小，因此其数值约 束条件如表3-20。
[0347] 表3-20厌恶表情眼睛数值约束 [034引
[0349] 鼻子部分
[0巧0] 依据表情脸的运动特征，对于鼻子部分，厌恶表情鼻子相对会变宽，因此其数值约 束条件如表3-21。
[0巧1] 表3-21厌恶表情鼻子数值约束
[0巧2]
[0巧3] 嘴己部分
[0巧4] 依据表情脸的运动特征，对于嘴己部分，厌恶表情嘴己相对张开，因此其数值约束 条件如表3-22。
[0355] 表3-22厌恶表情嘴己数值约束 防356]
[0巧7] 综合W上厌恶表情相对中性表情的数值约束条件，总结如表3-23。
[0巧引表3-23厌恶表情数值约束 防359]
[0360] 悲伤表情
[0361] 对比中性、悲伤表情人脸图像。参考中性表情的计算过程，悲伤表情的数据定义如 表 3-24。
[0362] 表3-24悲伤表情数据定义
[0363]
[0364] 眉毛、眼睛部分
[0365] 依据表情脸的运动特征，悲伤表情眉毛变平直且有些上扬，因此其眉毛数值约束 条件如表3-25。
[0366] 表3-25悲伤表情眉毛数值约束
[0367]
[036引依据表情脸的运动特征，对于眼睛部分，悲伤表情眼睛相对变小，因此其数值约束 条件如表3-26。
[0369] 表3-26悲伤表情眼睛数值约束
[0370]
[0371] 鼻子部分
[0372] 依据表情脸的运动特征，对于鼻子部分，悲伤表情鼻子相对变化不明显，因此其数 值约束条件如表3-27。
[0373] 表3-27悲伤表情鼻子数值约束
[0374]
[0375] 嘴己部分
[0376] 依据表情脸的运动特征，对于嘴己部分，悲伤表情相对巧嘴，因此其数值约束条件 如表3-28。
[0377] 表3-28悲伤表情嘴己数值约束
[0378]
[0379] 综合W上悲伤表情相对中性表情的数值约束条件，总结如表3-29。
[0380] 表3-29悲伤表情数值约束
[0381]
[0382] 害怕表情
[0383] 对比中性、害怕表情人脸图像。参考中性表情的计算过程，害怕表情的数据定义如 表 3-30。
[0384] 表3-30害怕表情数据定义
[0385]
[0386] 眉毛、眼睛部分
[0387] 依据表情脸的运动特征，害怕表情眉毛会上扬，因此其数值约束条件如表3-31。 [038引表3-31害怕表情眉毛数值约束
[0389]
[0390] 依据表情脸的运动特征，对于眼睛部分，害怕表情眼睛相对变大，因此其数值约束 条件如表3-32。
[0391] 表3-32害怕表情眼睛数值约束
[0392]
[039引鼻子部分
[0394] 依据表情脸的运动特征，对于鼻子部分，害怕表情鼻子相对变化不明显，因此其数 值约束条件如表3-33。
[0395] 表3-33害怕表情鼻子数值约束
[0396]
[0397] 嘴己部分
[039引依据表情脸的运动特征，对于嘴己部分，害怕表情嘴己相对张开，因此其数值约束 条件如表3-34。
[0399] 表3-34害怕表情嘴己数值约束
[0400]
[0401] 综合W上害怕表情相对中性表情的数值约束条件，总结如表3-35。
[0402] 表3-35害怕表情数值约束
[0403]
[0404] 生气表情
[0405]对比中性、生气表情人脸图像。参考中性表情的计算过程，生气表情的数据定义如 表 3-36。
[0406] 表3-36生气表情数据定义
[0407]
[040引眉毛、眼睛部分
[0409] 依据表情脸的运动特征，生气表情眉毛相对皱起，因此其数值约束条件如表3-37。
[0410] 表3-37生气表情眉毛数值约束
[0411]
[0412] 依据表情脸的运动特征，对于眼睛部分，生气表情眼睛相对变大，因此其数值约束 条件如表3-38。
[0413] 表3-38生气表情眼睛数值约束
[0414]
[041引鼻子部分
[0416] 依据表情脸的运动特征，对于鼻子部分，生气表情鼻子的变宽，因此其数值约束如 表 3-39。
[0417] 表3-39生气表情鼻子数值约束
[0418]
[041引 嘴己部分
[0420] 依据表情脸的运动特征，对于嘴己部分，生气表情嘴己张开大小变化不明显，但曲 率变化相对明显，其数值约束条件如表3-40。
[0421] 表3-40生气表情嘴己数值约束
[0422]
[0423] 综合W上害怕表情相对中性表情的数值约束条件，总结如表3-41。
[0424] 表3-41生气表情数值约束 [04巧]
[0426] 基本表情数据约束条件
[0427] 根据W上对人脸表情图像的7种基本表情的计算，得到6种基本表情相对中性表 情的数据约束条件，具体如表3-42。
[0428] 表3-42六种基本表情数据约束
[0429]
[0430]
[0431] 针对JAFFE数据库中的人脸图像进行特征点选取。JAFFE人脸表情图像库中共有 10位女性的7种不同表情图像，每种表情有2~4幅图像，共213幅。我们在实验过程中选 取每位女性的7种不同表情的图像各一幅进行训练，即训练图像70幅。
[0432] 特征点定位
[0433] (1)对70幅人脸图像进行训练，在每张图像上手动选取94个特征点，选取特征 点位置及数目情况如表4-1所示。另外，将左眉毛、右眉毛、左眼睛上眼脸、左眼睛下眼 脸、右眼睛上眼脸、右眼睛下眼脸、鼻子、上嘴唇、下嘴唇部分的特征点依次构成特征向量 §1，Ss，S3，S4, S 日，S 目，Sy，Sg，Sg。
[0434]表4-1人脸特征点训练数目[04巧]
[0436] (2)获取特征向量之后，为了提高定位的准确性，需要对特征点进行线性插值运算 W增加样本点数目。首先，使用插值函数interp对坐标数据信息进行5倍原采样频率值重 新采样，然后利用inte巧1函数在选定特征点之间平均插入20个点。构成特征向量S'1， S'2,S'3,S'4,S'5,S'e，S'7,S'8,S'9,各特征向量样本点数目如表4-2。
[0437] 表4-2线性插值后所得特征向量
[0438]
[0439] (3)对所有特征向量进行对齐，去除旋转、平移等因素的影响。
[0440] (4)特征向量对齐之后，构建形状模型。通过对特征向量进行PCA运算得到特征 值、特征向量、平均形状Evalues, Evectors, x_mean。
[0441] 圧values, Evectors, x_mean]= PCA(X), (4-1)
[0442] -般选取98%的特征向量来减少轮廓噪声，并对特征值设置参数限制，选取前t 个特征向量和特征值（特征值按照从大到小排列），获得全局统计形状模型X。
[0443] P =Evectors(1, 2. . . ,t),
[0444] 6= ^/3*Ev