技術(shù)特征：
1.一種自動微表情識別方法，包括：步驟10)、捕獲視頻的幀圖像中的人臉區(qū)域，并進(jìn)行預(yù)處理；步驟20)、對相應(yīng)人臉區(qū)域的圖像提取Gabor特征和EOH特征；步驟30)、將相應(yīng)特征進(jìn)行融合，獲取目標(biāo)視頻的初步表征；通過訓(xùn)練得到目標(biāo)視頻的最終表征并產(chǎn)生出分類器，所述最終表征通過基于平均誤差等級的Gentleboost算法獲得；使用SVM前饋型神經(jīng)網(wǎng)絡(luò)在最終表征上進(jìn)行訓(xùn)練以形成分類器；和步驟40)、獲取待測試視頻圖像的表情標(biāo)簽序列，對該表情標(biāo)簽序列進(jìn)行掃描，判斷表情的持續(xù)時間，獲取微表情，根據(jù)所述分類器輸出表情類別。2.根據(jù)權(quán)利要求1所述的方法，其中，步驟10包括：捕獲到的人臉圖像將首先被轉(zhuǎn)化為8位灰度圖像；以二次線性插值方法將圖像歸一化至48×48像素大小。3.根據(jù)權(quán)利要求1所述的方法，其中，步驟20包括：采用二維Gabor濾波器組對捕獲到的人臉圖像進(jìn)行特征提取，以形成人臉表情的Gabor表征；二維Gabor濾波器是一組具有高斯包絡(luò)的平面波,其Gabor核被定義為:其中kmax是最大頻率，f是頻域中Gabor核之間的間隔因子，φu∈[0，π)，z＝(x,y)表示位置，參數(shù)u和v分別代表控制Gabor濾波器的方向和尺度，參數(shù)σ控制包絡(luò)函數(shù)的振蕩次數(shù)。4.根據(jù)權(quán)利要求3所述的方法，其中，步驟20還包括：對圖像進(jìn)行邊緣提取，在此使用Sobel算子進(jìn)行邊緣提取，其中圖像在某點(diǎn)的梯度由相應(yīng)方向的Sobel算子與圖像的卷積獲取，選擇將捕獲到的人臉縮放至24×24像素大小。5.根據(jù)權(quán)利要求4所述的方法，其中，步驟20還包括：在完成Gabor與EOH特征提取后，將EOH特征與Gabor轉(zhuǎn)化為一個列向量，并與Gabor特征聯(lián)結(jié)，形成一個新的列向量，進(jìn)行特征融合。6.根據(jù)權(quán)利要求1所述的方法，其中，步驟30還包括：采用互信息的方法來去除被選擇到的弱分類器之間的信息冗余，以剔除無效的弱分類器；進(jìn)一步，在每一輪選擇時，選擇在訓(xùn)練集上具有最小加權(quán)平方誤差且符合互信息條件的弱分類器；更進(jìn)一步，訓(xùn)練集中的樣本將根據(jù)其樣本權(quán)重進(jìn)行過濾。7.根據(jù)權(quán)利要求1所述的方法，其中，步驟30中的所述最終表征為去掉冗余特征后的特征。8.根據(jù)權(quán)利要求5所述的方法，其中，步驟30的訓(xùn)練步驟還包括：在所述訓(xùn)練中使用互信息的方法，所述最終表征為平均誤差等級以升序排序的備選表征列表中第一個符合互信息過濾條件的表征。9.根據(jù)權(quán)利要求5所述的方法，其中，步驟10的預(yù)處理還包括對圖像灰度均值歸一化為0，而圖像灰度的方差歸一化為1。10.根據(jù)權(quán)利要求1所述的方法，其中，步驟40包括：步驟410)、對視頻中的每一幀圖像進(jìn)行識別，獲得對該視頻的表情標(biāo)簽；步驟420)、將對該表情標(biāo)簽輸出進(jìn)行掃描，以確認(rèn)視頻中表情變換的轉(zhuǎn)折點(diǎn)；步驟430)、將獲得的轉(zhuǎn)折點(diǎn)和視頻的幀率對表情的持續(xù)時間進(jìn)行測量，根據(jù)微表情定義對微表情及其所屬標(biāo)簽進(jìn)行提取。11.根據(jù)權(quán)利要求1所述的方法，其中，步驟30的訓(xùn)練步驟還包括：在執(zhí)行Gentleboost訓(xùn)練迭代前，對樣本特征進(jìn)行預(yù)過濾；使用Gentleboost算法在全部的訓(xùn)練樣本上為每一特征訓(xùn)練一個弱分類器，該弱分類器在訓(xùn)練集上的錯誤率大于或等于預(yù)先設(shè)定的閾值，則將該弱分類器所對應(yīng)的特征予以拋棄；將所有保留的特征予以聯(lián)結(jié)，組成新的表征，形成新的訓(xùn)練集；對于Gabor和EOH混合特征，僅針對EOH特征進(jìn)行過濾。