一種基于面部紋理特征融合的人臉表情識別方法

高婷婷 李航 殷守林

摘 要：針對人臉表情識別領(lǐng)域受噪聲和遮擋等因素影響識別率不高的問題，結(jié)合局部和全局特征，提出一種基于面部表情的情感分析混合方法。首先，通過將梯度直方圖（HOG）與復(fù)合局部三元模式（C-LTP）融合來進行特征提取;其次，將HOG和C-LTP提取的特征融合到單個特征向量中;最后，采用多類支持向量機分類器把特征向量進行情感分類;最后，將提出的方法在3個公共表情圖像數(shù)據(jù)庫中與現(xiàn)有的表情識別方法進行對比實驗。結(jié)果表明，提出的方法在MMI，JAFFE，CK+數(shù)據(jù)庫上的正確識別率分別為98.28%，95.75%，99.64%，平均識別率比其他方法高出10%，優(yōu)于其他現(xiàn)有的方法。提出的表情識別方法，可有效促進人機交互系統(tǒng)的發(fā)展和計算機圖像理解的研究，對實現(xiàn)人體語言與自然語言的融合，以及語言與表情連接模型的建立與實現(xiàn)具有重要意義。

關(guān)鍵詞：模式識別;人臉表情識別;特征融合;HOG;C-LTP;支持向量機

中圖分類號：TP957.52 文獻標(biāo)識碼：A

doi：10.7535/hbkd.2021yx02004

A facial expression recognition method based on face texture feature fusion

GAO Tingting，LI Hang，YIN Shoulin

（Software College，Shenyang Normal University，Shenyang，Liaoning 110034，China）

Abstract：Aiming at facial expression recognition， the recognition rate is not high due to noise and occlusion. A hybrid approach of facial expression has been presented by combining local and global features. First， feature extraction is performed to fuse the histogram of oriented gradients （HOG） descriptor with the compounded local ternary pattern （C-LTP） descriptor. Second， features extracted by HOG and C-LTP are fused into a single feature vector. Third， the feature vector is sent to a multi-class support vector machine classifier for facial classification. Finally， the proposed method is compared with the existing facial expression recognition methods in three public facial expression image databases， and the results show that the recognition rates of the proposed method in MMI， JAFFE and CK+ databases are 98.28%， 95.75% and 99.64%， respectively. The average recognition rate is 10% higher than other methods， which is better than other existing methods. The results of this study provide a reference for the research of facial expression recognition in many situations. The method of facial expression recognition proposed can effectively promote the development of human-computer interaction system and the study of computer image understanding. It is of great significance to realize the fusion of human language and natural language， as well as the establishment and implementation of the connection model between language and expression.

Keywords：

pattern recognition; facial expression recognition; feature fusion; HOG; C-LTP; support vector machine

面部表情[1]是人際關(guān)系中非常重要的交流方式。人臉表情識別在測謊、行為分析、監(jiān)視系統(tǒng)、運輸和機器人技術(shù)等多個研究和開發(fā)領(lǐng)域中具有多種應(yīng)用[2-3]。隨著機器人的發(fā)展，表情識別將有助于在人與機器之間創(chuàng)建智能的視覺界面，從而促進人機交互（HCI）[4]。

此外，在許多現(xiàn)實工作中，例如，駕駛員疲勞檢測、教師情緒檢測等，都需要高效的人臉表情識別。目前，基于深度學(xué)習(xí)方法已被用于識別面部表情。李軍等[5]提出了一種融合多尺度卷積神經(jīng)網(wǎng)絡(luò)和雙向長短期記憶的模型，不僅能夠增強特征信息間的聯(lián)系，還可通過不同尺度的卷積核提取到更加豐富的特征信息。張雯婧等[6]針對實際場景中人臉表情識別訓(xùn)練和測試數(shù)據(jù)因來自不同場景從而導(dǎo)致識別性能顯著下降的問題，提出了一種基于稀疏子空間遷移學(xué)習(xí)的跨域人臉表情識別方法。蘇志明等[7]提出了一個基于多尺度雙線性池化神經(jīng)網(wǎng)絡(luò)的模型，解決了由于人臉表情細(xì)微的類間差異和顯著的類內(nèi)變化使得人臉表情識別困難，從而導(dǎo)致識別率低的問題。尹鵬博等[8]為了解決深度學(xué)習(xí)模型在人臉表情識別研究中存在數(shù)據(jù)集需求量大、硬件配置要求高等問題，提出了基于卷積注意力的輕量級人臉表情識別方法。但以上方法在特定表情識別情況下，存在識別效率較低的問題。

面部表情識別（FER）[9-10]在預(yù)處理步驟中，通過圖像增強技術(shù)消除噪聲，采用各種模糊效果和細(xì)節(jié)差分來提高輸入圖像的質(zhì)量[11]，然后在輸入圖像中檢測到臉部及其組成部分（眼睛、眉毛、臉頰、鼻子和嘴巴）。如Viola-Jones人臉檢測算法[12-13]。相對于其他最新技術(shù)，該算法在實時檢測面部及其組件方面提供了更高的準(zhǔn)確性?？紤]到各種資源（例如計算、存儲和傳輸資源）的可用性，將感興趣區(qū)域（ROI）裁剪并調(diào)整為指定的尺寸。

1 改進的表情識別方法

本文提出的改進方法具體是：選擇一個數(shù)據(jù)庫，然后將其劃分為訓(xùn)練集和測試集。在訓(xùn)練階段，經(jīng)過人臉檢測后，臉部區(qū)域被裁剪成一個圖像，并通過采用圖像增強技術(shù)增強圖像的質(zhì)量，如將SRCNN圖像重建來獲取高分辨率圖像。在特征提取的第一步，使用梯度直方圖（HOG）和混合局部三元模式（C-LTP）描述符從裁剪的圖像中提取特征到特征向量中，然后將提取的特征融合到單個特征向量中。對提取的特征向量根據(jù)其對應(yīng)的表達式標(biāo)簽進行標(biāo)記，表示7個標(biāo)準(zhǔn)面部表情。標(biāo)記的特征向量被反饋送到多分類器中，以有效地訓(xùn)練基礎(chǔ)機器?？傮w框架如圖1所示。

1.1 圖像預(yù)處理

在預(yù)處理步驟中，對輸入圖像進一步處理以提高其質(zhì)量。最初圖像包含噪聲或其他類型的模糊元素，可能會降低識別的精度。因此，為了消除噪聲數(shù)據(jù)并保留重要信息，將大小為3×3的中值濾波器應(yīng)用于輸入圖像。用中值替換附近的每個像素，有助于消除椒鹽噪聲，但不會降低輸出圖像的清晰度。同樣，當(dāng)使用低分辨率或低對比度圖像時，識別率也會降低。為此，采用直方圖均衡技術(shù)增強圖像對比度，并對光照效果進行歸一化處理。經(jīng)濾波和直方圖均衡后，在圖像中檢測到人臉。人臉檢測后，將圖像裁剪并調(diào)整為128×128?；诙嗪藞D像超分辨率方案人臉檢測、ROI的提取和調(diào)整，如圖2所示。

1.2 特征提取

提出的方法基于外觀和形狀信息2種類型的特征描述符，被用于從面部圖像中提取的主要特征，這些特征融合形成一維特征向量。

1.2.1 梯度直方圖（HOG）

HOG用來計算邊緣的方向和像素的可見性，即圖像的局部切片中有多少像素的邊緣沿特定方向通過。HOG是一種強大的特征提取技術(shù)，可提取描述基礎(chǔ)圖像ROI中每個像素的特征。

在梯度計算中，計算每個像素的居中水平和垂直梯度。在水平和垂直方向上應(yīng)用一維中心離散導(dǎo)數(shù)掩膜最方便和有效的方法是

Dx=[-1 0 1]，Dy=[-1 0 1]-1 。（1）

每個方向的卷積運算為

IFx=IFDx，IFy=IFDy。（2）

其中：式（1）顯示了用于計算x和y導(dǎo)數(shù)的掩碼;x和y導(dǎo)數(shù)通過等式中的卷積掩膜計算得出式（2）;代表乘積;IF為包含ROI的預(yù)處理圖像;IFx和IFy是一個圖像的x和y的導(dǎo)數(shù)。HOG特征描述符由梯度幅值|M|和邊緣方向θ組成，大小和方向梯度分量計算為

M=IFx2+IFy2，（3）

θ=arctanIFyIFx。（4）

使用方向梯度的矩形直方圖（R-HOG）[14]提取人臉特征，R-HOG塊由正方形網(wǎng)格組成，由3個參數(shù)表示：每塊的單元數(shù)、單元的大小以及該塊中每個單元的直方圖中的單元數(shù)。

在實驗評估中不同大小的單元格（例如8×8，12×12和16×16），評估不同大小的塊（例如2×2）和具有不同單元的重疊塊的大小，如圖3所示。以單元大小16×16、塊大小2×2為例，通過實驗證明了具有50%重疊塊的準(zhǔn)確性和有效性。

1.2.2 復(fù)合的本地三元模式

本地三進制模式（LTP）是本地二進制模式（LBP）的概括[15]。LTP功能比LBP更有效，因為LTP功能對噪聲魯棒性更出色。LTP直方圖的維數(shù)大，導(dǎo)致直方圖具有較大的尺寸。因此，為減少特征尺寸，將LTP代碼分為2個LBP：上（正）LBP和下（負(fù)）LBP，如圖4所示。

由于LTP將小的像素差異編碼為一個單獨的狀態(tài)更具彈性，因此，為解決噪聲問題，將LTP嵌入HOG以幫助提出的方法在更大程度上對噪聲具有魯棒性。最后，將提取的HOG和C-LTP特征向量融合到單個特征向量中，并為FER系統(tǒng)中的面部表情識別進行標(biāo)記。

1.3 基于多分類器的表情分類

采用支持向量機作為面部表情分類和識別的分類器，首先將2個類別的訓(xùn)練數(shù)據(jù)映射到一個較高維的空間，然后構(gòu)造2類數(shù)據(jù)之間具有細(xì)邊界的最優(yōu)分離超平面。在提出的方法中，采用one versus rest[16]策略。由于具有大量的訓(xùn)練特征，因此在提出的方法中采用了具有線性核的支持向量機。SVM分類器的線性內(nèi)核ψ可以描述為

ψF⌒HOG+C-LTPi，φi=1/1+eF⌒iHOG+C-LTPTLJ。（5）

給定標(biāo)記的訓(xùn)練樣本F⌒HOG+C-LTPi，Li，其中i = 1，2，3，...m;F⌒（HOG+C-LTP）i∈Rn+1 ;LJ∈。分類可以描述如下：

CF⌒（HOG+C-LTP）i=sign∑ni=1αiLJψF⌒（HOG+C-LTP）i，φi+b，（6）

其中：αi是對偶優(yōu)化問題的Lagrange乘數(shù);ψ是一個核函數(shù);b是超平面的偏差。

2 實驗與結(jié)果

本次實驗使用了3個數(shù)據(jù)庫，每個數(shù)據(jù)庫都隨機分為訓(xùn)練集和測試集。通過改變訓(xùn)練數(shù)量進行實驗并測試圖像。所提方法中用于所有仿真的平臺是在具有2.70 GHz CPU速度、4.00 GB RAM和Windows 10 64位版本操作系統(tǒng)的PC。

2.1 JAFFE表情數(shù)據(jù)庫

該數(shù)據(jù)庫[17]由10位日本女性的213張圖像組成，所有213張圖像均已用于實驗中。JAFFE數(shù)據(jù)庫的一些樣本圖像如圖5 a）所示。

2.2 CK+數(shù)據(jù)庫

CK數(shù)據(jù)庫[18]包含來自123個對象的姿勢和非姿勢表情。圖5 b）說明了來自CK+數(shù)據(jù)庫的一些樣本圖像。實驗使用了不同數(shù)量的圖像。這項研究總共使用了CK+數(shù)據(jù)庫中的630張圖像（7個表達式中的每個包含90張圖像）。

2.3 MMI數(shù)據(jù)庫

MMI[19]數(shù)據(jù)庫包含20多名男女受試者（44%為女性）。他們的年齡從19歲到62歲不等，來自不同的國家（歐洲、亞洲、南美洲等）。從不同的視頻中總共提取273幀圖像。圖5 c）顯示了來自MMI數(shù)據(jù)庫的一些示例圖像。

2.4 實驗驗證

如表1所示，在第1階段，使用了3個數(shù)據(jù)庫中的少部分圖像作為訓(xùn)練集，并使用其余圖像進行測試。

在第2階段，使用了大部分的圖像用于培訓(xùn)，其余圖像用于測試。在第3階段，采用10倍交叉驗證，根據(jù)變化的表達式將數(shù)據(jù)庫隨機分為10個相等的段。每次訓(xùn)練10個細(xì)分中的9個，剩下10%的圖像用于測試。結(jié)果顯示，提出的方法以高識別率成功地識別出面部表情。

2.5 噪聲魯棒性

在實際環(huán)境中，噪聲是降低圖像質(zhì)量的主要因素，導(dǎo)致各種計算機視覺和模式識別的性能不佳。為此將不同級別的椒鹽噪聲隨機添加到大小為128×128的測試圖像中。圖6顯示了在不同噪聲水平下的示例圖像。在3個數(shù)據(jù)庫中評估了提出的方法的魯棒性，提出的方法對椒鹽噪聲具有較強的魯棒性，如表2所示。在改變噪聲密度的同時，識別率會發(fā)生不同的變化。隨著噪聲密度的增加，識別率降低，可以看出，噪聲密度（P）為0.01時，與CK+相比噪聲削弱了JAFFE和MMI數(shù)據(jù)庫的識別率。隨著噪聲密度增加到0.02，所有數(shù)據(jù)庫的識別率逐漸降低，但與MMI和CK+相比，JAFFE數(shù)據(jù)庫的識別率在某種程度上更好。當(dāng)噪聲密度增加時，與JAFFE和MMI相比，CK+的下降速度更為嚴(yán)重。

2.6 遮擋魯棒性

遮擋的存在也會影響圖像質(zhì)量并降低面部表情識別系統(tǒng)的性能。將隨機大小的塊添加到測試圖像中以檢查遮擋的魯棒性。塊大小從15×15到55×55。這些塊隨機添加到面部圖像上，如圖7所示。最終的平均識別率如表3所示。與JAFFE相比，CK+和MMI數(shù)據(jù)庫的識別精度都非常出色。當(dāng)添加15×15和25×25的塊大小時，CK+和MMI的識別率幾乎相同，分別為99.2%和96.1%以及99.1%和95.9%;對于15×15和25×25的塊大小，JAFFE的識別率幾乎相等。與JAFFE和MMI相比，對于上述塊大小，提出的CK+數(shù)據(jù)庫系統(tǒng)的整體準(zhǔn)確性非常合理，再次顯示了提出的方法具有較好的識別準(zhǔn)確性。

2.7 與其他方法的比較

將提出的方法與現(xiàn)有的面部表情識別算法的結(jié)果準(zhǔn)確性進行比較。選擇這些方法是因為在相同的數(shù)據(jù)庫上使用類似的測試策略產(chǎn)生了最優(yōu)的性能。可以看出，所提出的方法優(yōu)于使用表1中所示的相同數(shù)據(jù)庫的其他現(xiàn)有方法。所提出方法的正確識別率在MMI數(shù)據(jù)庫上為98.28%，在JAFFE上為95.75%，在CK+數(shù)據(jù)庫上為99.64%。表4顯示了使用相同的JAFFE，MMI和CK+數(shù)據(jù)庫的提出方法與現(xiàn)有方法之間的性能比較，提出方法在3個數(shù)據(jù)庫都具有較高的識別效果。

提出的方法得到了較為理想的表情識別結(jié)果，因為提出的方法同時考慮了局部和全局描述符，以及從包含人臉的圖像中提取特征。為此將方向梯度直方圖（HOG）描述符與復(fù)合局部三元模式（C-LTP）結(jié)合使用，以將特征提取到單個特征向量中。使用HOG和C-LTP從整個裁剪的面孔中提取特征，描述了基礎(chǔ)面孔的外觀、形狀和紋理變化，是因為在面部表情分析中，即使臉部的一小部分也可以在表情識別中發(fā)揮重要作用。因此，僅從面部單個組成部分提取特征會導(dǎo)致面部表情所涉及的大量信息的丟失。提出的方法的主要貢獻是形狀、外觀分別通過HOG和C-LTP提取其紋理變化，再對其進行特征集成。還可以將局部和全局特征感知為單個實體，從而彌補了局部和全局特征的弱點，同時改善了特征向量的生成。最后將提取的特征向量反饋送到SVM進行分類。考慮到人臉的異質(zhì)性和表情的多樣性，采用了多類支持向量機以生成更準(zhǔn)確的FER算法。

本文提出的FER方法的主要優(yōu)勢如下：

1）提出了一種全自動面部表情識別方法，該方法對各種實際環(huán)境元素（例如噪聲、光照變化以及部分重疊或遮擋）均具有魯棒性。

2）提出采用HOG與C-LTP結(jié)合方式提取更魯棒的特征，可以從人臉中提取出重要特征，從而提高人臉表情識別的準(zhǔn)確性。

3）HOG和C-LTP的組合可將局部和全局特征感知為單個實體，從而彌補了局部和全局特征的弱點，同時改善了更具魯棒性的特征向量的生成。

3 結(jié) 語

本文提出了一種基于面部情感識別的情感知識方法，提取具有C-LTP的定向梯度直方圖描述符，以對人臉情緒進行穩(wěn)定分類。實驗結(jié)果表明：與其他方法相比，所提出的方法具有最高的識別精度;還證實了所提出的FER方法能夠在各種挑戰(zhàn)下識別面部表情，例如遮擋物或噪音的存在。盡管噪聲會嚴(yán)重影響識別精度，但該方法仍具有較好的性能。

本文所提方法僅針對靜態(tài)圖像的識別精度有所提高，如果存在具有復(fù)雜背景及干擾物與目標(biāo)極為相似的圖像，識別效果不太理想，今后將研究更為先進的基于深度學(xué)習(xí)的方法以及從視頻中的靜態(tài)圖像擴展到動態(tài)識別中識別面部表情，從而為與面部情感分析有關(guān)的各種以視頻為中心的問題的解決提供參考。

參考文獻/References：

CORNEANU C A，MARC O S，COHN J F，et al.Survey on RGB，3D，thermal，and multimodal approaches for facial expression recognition：history，trends，and affect-related applications[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2016，38（8）：1548-1568.

楊曉龍，閆河，張楊.人臉表情識別綜述[J].數(shù)字技術(shù)與應(yīng)用，2018，36（2）：223-224.

YANG Xiaolong，YAN He，ZHANG Yang.Overview of facial expression recognition[J].Digital Technology and application，2018，36（2）：223-224.

付喜梅，莊思發(fā).人臉表情識別的概述[J].電腦知識與技術(shù)，2018，14（23）：211-214.

FU Ximei，ZHUANG Sifa.Overview of facial expression recognition[J].Computer Knowledge and Technology，2018，14（23）：211-214.

朱亞忱.基于特權(quán)信息的情感識別[D].合肥：中國科學(xué)技術(shù)大學(xué)，2015.

ZHU Yacheng.Emotion Recognition Based on Privileged Information[D].Hefei：University of Science and Technology of China，2015.

李軍，李明.融合Multi-scale CNN和Bi-LSTM的人臉表情識別研究[J].北京聯(lián)合大學(xué)學(xué)報，2021，35（1）：35-39.

LI Jun，LI Ming.Research on facial expression recognition based on the combination of multi-scale CNN and Bi-LSTM[J].Journal of Beijing Union University，2021，35（1）：35-39.

張雯婧，宋鵬，陳棟梁等.基于稀疏子空間遷移學(xué)習(xí)的跨域人臉表情識別[J].數(shù)據(jù)采集與處理，2021，36（1）：113-121.

ZHANG Wenjing，SONG Peng，CHEN Dongliang，et al.Cross-domain facial expression recognition based on sparse subspace transfer learning[J].Journal of Data Acquisition and Processing，2021，36（1）：113-121.

蘇志明，王烈，藍(lán)崢杰.基于多尺度分層雙線性池化網(wǎng)絡(luò)的細(xì)粒度表情識別[J/OL].計算機工程.[2021-02-22].doi：10.19678/j.issn.1000-3428.0060133.

SU Zhiming，WANG Lie，LAN Zhengjie.Fine-grained expression recognition based on multi-scale hierarchical bilinear pooling network[J/OL].Computer Engineering..doi：10.19678/j.issn.1000-3428.0060133.

尹鵬博，潘偉民，張海軍.基于卷積注意力的輕量級人臉表情識別方法[J/OL].激光與光電子學(xué)進展.[2021-01-09].http：//kns.cnki.net/kcms/detail/31.1690.TN.20210107.1716.008.html.

YIN Pengbo，PAN Weimin，ZHANG Haijun.Lightweight facial expression recognition method based on convolutional attention[J/OL].Laser & Optoelectronics Progress.[ 2021-01-09].http：//kns.cnki.net/kcms/detail/31.1690.TN.20210107.1716.008.html.

黨宏社，王淼，張選德.基于深度學(xué)習(xí)的面部表情識別方法綜述[J].科學(xué)技術(shù)與工程，2020，20（24）：9724-9732.

DANG Hongshe，WANG Miao，ZHANG Xuande.A review of facial expression recognition methods based on deep learning[J].Science，Technology and Engineering，2020，20（24）：9724-9732.

KUMAR P，HAPPY S L，ROUTRAY A.A real-time robust facial expression recognition system using HOG features[C]//International Conference on Computing.[S.l.]：IEEE，2017.doi：10.1109/CAST.2016.7914982.

譚小慧，李昭偉，樊亞春.基于多尺度細(xì)節(jié)增強的面部表情識別方法[J].電子與信息學(xué)報2019，41（11）：2752-2759.

TAN Xiaohui，LI Zhaowei，F(xiàn)AN Yachun.Facial expression recognition method based on multi-scale detail Enhancement[J].Journal of Electronics and Information，2019，41（11）：2752-2759.

戴鑫.移動平臺上的實時人臉特征點定位算法研究 [J].信息記錄材料，2019，20（12）：164-165.

DAI Xin.Research on real-time facial feature point location algorithm on mobile platform[J].Information Recording Materials，2019，20（12）：164-165.

ZHANG Y，JI Q.Active and dynamic information fusion for facial expression understanding from image sequences[J].IEEE Trans Pattern Anal Mach Intell，2005，27（5）：699-714.

RASHA O M，MAZEN M S，OMAR A M.Fusion time reduction of a feature level based multimodal biometric authentication system[J].International Journal of Sociotechnology and Knowledge Development，2020，12（1）：67-83.

WIESLAW C，KATARZYNA S.Using the one-versus-rest strategy with samples balancing to improve pairwise coupling classification[J].International Journal of Applied Mathematics and Computer Science，2016，26（1）：191-201.

李艷秋，顏普，高翠云，等.基于表情特征描述與稀疏加權(quán)決策的情感識別[J].安徽建筑大學(xué)學(xué)報，2019，27（4）：78-82.

LI Yanqiu，YAN Pu，GAO Cuiyun，et al.Emotion recognition based on expression feature description and sparse weighted decision[J].Journal of Anhui Jianzhu University，2019，27（4）：78-82.

付俊妮.基于局部先驗約束的極低分辨率面部表情識別[J].電子設(shè)計工程，2019，27（9）：123-126.

FU Junni.Very low resolution facial expression recognition based on local prior constraints[J].Electronic Design Engineering，2019，27（9）：123-126.

夏添.基于深度學(xué)習(xí)的表情識別算法研究[D].南京：東南大學(xué)，2019.

XIA Tian.Study on Facial Expression Recognition Algorithm Based on Deep Learning[D].Nanjing：Southeast University，2019.

鐘偉，黃元亮.基于特征融合與決策樹技術(shù)的表情識別方法[J].計算機工程與科學(xué)，2017，39（2）：393-398.

ZHONG Wei，HUANG Yuanliang.Facial expression recognition method based on feature fusion and decision tree technology[J].Computer Engineering and Science，2017，39（2）：393-398.

鐘志鵬，張立保.基于多核學(xué)習(xí)特征融合的人臉表情識別[J].計算機應(yīng)用，2015，35（sup2）：245-249.

ZHONG Zhipeng，ZHANG Libao.Facial expression recognition based on multi-core learning feature fusion[J].Computer Application，2015，35（sup2）：245-249.

鄒元彬，樂思琦，廖清霖等.基于LBP和LPQ的面部表情識別[J].信息技術(shù)與信息化，2020（9）：199-205.

ZOU Yuanbin，LE Siqi，LIAO Qinglin，et al.Facial expression recognition based on LBP and LPQ[J].Information Technology and Informatization，2020（9）：199-205.

SHAN C，GONG S，MCOWAN P W.Facial expression recognition based on local binary patterns：A comprehensive study[J].Image & Vision Computing，2009，27（6）：803-816.

文元美，歐陽文，凌永權(quán).一種面向表情識別的ROI區(qū)域二級投票機制[J].計算機應(yīng)用研究，2019，36（9）：2861-2865.

WEN Yuanmei，OUYANG Wen，LING Yongquan.A second-level voting mechanism in ROI region for facial expression recognition[J].Computer Application Research，2019，36（9）：2861-2865.