8種面部表情演算法

❶ 面部表情是指通過 、 和 肌肉的變化來表現各種情緒狀態。

面部表情（facial expression）是指通過眼部肌肉、顏面肌肉和口部肌肉的變化來表現各種情緒狀態。比如眼睛不但可以傳情還可以交流思想，面部表情是一種十分重要的非語言交往手段。藝術家們往往會通過對人物面部表情的描繪，來表現人物內心的情緒和情感，栩栩如生地展現人物的精神風貌。人們也可以用面部表情與人溝通。一個有趣的例子是模仿。人們（和猩猩）在外表上模仿其他人的反應是常見的行為。尤其是當人們感受到他人的憂傷時，自己也會表現出憂傷的樣子，這一點曾經被達爾文指出過。這種模仿可能是為了表示同情———我們都體驗到了痛苦經歷帶來的憂傷。

情分類

面部表情可以分為八類：感興趣—興奮；高興—喜歡；驚奇—驚訝；傷心—痛苦；害怕—恐懼；害羞—羞辱；輕蔑—厭惡；生氣—憤怒。一般來說，眼睛和口腔附近的肌肉群是面部表情最豐富的部分。

研究案例

面部表情

心理學家埃克曼鑽研面部表情與內心真相的關系40年，成績斐然，學界封他為「人面教皇」，加拿大心理學家多易居說，地球上大概沒有比他更高明的識謊專家了。

艾克曼和同僚拍攝了數千個主題的面部表情與內心感情不一的影片，然後精確地分析各個主題人物面部哪些肌肉擠壓在一起，擠壓的激烈程度如何，次序為何，為時又多久，再一一與內心感情對照，結果發現許多微妙的徵象，例如僅僅微笑他就可分為50種類，每一種混雜哪些感情他都有辦法分辨出來。

❷ 人臉識別的演算法

1、人體面貌識別技術的內容
人體面貌識別技術包含三個部分：
（1） 人體面貌檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法：
①參考模板法
首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；
②人臉規則法
由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉；
③樣品學習法
這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特徵子臉法
這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。
值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。
（2）人體面貌跟蹤
面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。
此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。
（3）人體面貌比對
面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要採用特徵向量與面紋模板兩種描述方法：
①特徵向量法
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。
②面紋模板法
該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。
此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。
人體面貌識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。
2、人體面貌的識別過程
一般分三步：
（1）首先建立人體面貌的面像檔案。即用攝像機採集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，並將這些面像文件生成面紋（Faceprint）編碼貯存起來。
（2）獲取當前的人體面像
即用攝像機捕捉的當前出入人員的面像，或取照片輸入，並將當前的面像文件生成面紋編碼。
（3）用當前的面紋編碼與檔案庫存的比對
即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的「面紋編碼」方式是根據人體面貌臉部的本質特徵和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辯認出某個人。
人體面貌的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

❸ 可鑒別的多特徵聯合稀疏表示人臉表情識別方法

基於稀疏表示的人臉表情識別系統研究

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2015）25-0137-03
人臉的表情包含了人體行為的情感信息和心理信息，這是人們在進行非語言的交流時所採取最有效的手段。人們可以根據表情來充分地將自己的思想以及情感表達出來，同時根據人臉表情來對對方內心世界和對方的態度來加以了解，所以說人臉的表情在日常生活當中扮演著極為重要的角色。表情能夠將很多的語言以及聲音不能夠表達出來的信息給表達出來，其在醫療和語言學以及相關的服務行業中都在發揮著極為重要的作用。
1 人臉表情識別的技術現狀
1.1 提取人臉表情特徵
由於提取人臉表情特徵採取的圖像類型不一樣，對此我們可以將其分成靜態表情的圖像特徵進行提取以及序列表情的圖像特徵進行提取這兩種。第一種提取的是表情靜止時的特徵，第二種提取的是表情在運動過程中的特徵，對於第一種的提取方法一般為Gabor小波，主成份分析（PCA）以及線性的判斷分析（LDA）等的方法；而針對與第二種的提取方法有特徵點跟蹤，查分圖像法以及光流法等。
1）提取靜態的表情特徵的常用方法
PCA主要是用在抽取原始特徵以及降維，這種方法運算的中心思想是把二維的圖像轉為一維向量，根據從大到小的排列順序對特徵值以及特徵向量加以調整，並且通過K-L的變換投影獲得正交基，對其加以取捨進而得到人臉的表情特徵其子空間。其實際上識別表情的過程就是把測試的樣本進行比較投影進表情特徵的子空間里，之後再將其跟測試的樣本加以比較判定出它的表情類別。Gabor小波這種方法是現在我們比較常用的一種表示特徵的方法，它能夠有效地將環境噪音加以清除，使提取的圖像特徵有效加強，主要是通過圖像在不同方向不同尺度上的頻率信息對圖像的特徵加以表明。
2）提取變動的表情特徵常用的方法
對於序列圖像特徵加以提取的代表性方法就是光流法。這種方法在1981年被第一次提出，主要是根據對視頻圖像里的表情特徵光流加以計算進而得到每一個特徵點的運動情況，這就是表情特徵。
第一種提取特徵的方法它採集較方便，計算更快捷，但是不能夠對更大時間和空間信息加以探知。而第二種提取特徵的方法雖可以對運動的表情信息加以提取，進而使得到的識別效果較好，但這種方法其計算的數據量較龐大，且具有很高的重復率，實際的操作當中比較困難。因此從目前來看，提取表情特徵應該朝著將各種提取方法相互融合來對信息加以特徵提取。
1.2傳統的人臉表情識別系統中存在的問題
對於人類表情識別的研究中可以依據人類對不同的表情加以區別上獲得啟發，但運用計算機的視覺技術准確地對人臉表情進行識別的系統，實際運用中還有很多難題。
1） 不容易建立起理想的人臉表情相關模型
因為人臉是比較柔的，所以把人的表情和情感進行分類，在此基礎上再建立一個模型，把人類的表情特徵以及情感信息再相對應這就顯得十分的困難。
2）表情資料庫不完善
現在很多研究的實驗結果都是在各自研究團隊里研發出來的表情資料庫的基礎上得到的，我們知道每一個表情庫由於噪音或者是光照等環境方面的影響都各不相同，再加上每個表情庫里的人臉圖像在文化，種族當中都存在著比較大的區別，所以實驗的結果應該多次加以重復驗證，增加推廣能力。
3）學科方法和技術有自身的局限性
盡管我們在對人臉識別的系統中研究工作正在逐步加深，得到了很大的進步，但因為很多的研究者都是自己展開工作，在新技術和新方法將優點充分發揮出來的同時也不可避免地有著自身的局限性，多種技術相互融合上面的工作開展得還比較慢。
2 提取改進LBP的人臉表情特徵
局部二元模式（LBP）指的是一個能描述運算元的有效圖像紋理特徵，根據存在於圖像中的任意一點和它相鄰那點的灰度值中發生的大小關系來判定圖像中部分紋理空間構造，從這方面上來看，它有旋轉和抗亮度變化的能力。
2.1 原始的LBP運算元
LBP一開始先將圖像中各個像素點之間的灰度值加以計算，將在各個像素點和跟她相鄰的點存在於灰度值上的二值關系加以計算，根據計算後得出的二指關系根據相應規則來形成局部二值的模式，同時將多區域的直方圖序列當做這個圖像的一個二值模式。

圖1 基本的LBP運算元計算的過程
一個基本的LBP運算元應該是上圖1所示那樣，將其定義成3*3的窗口，有8個鄰域的像素點，把窗口中心點的灰度值對窗口內的像素點其灰度值執行二值化，再依據不同的像素點位置來加權求和，進而得到這個窗口LBP編碼值。
2.2 改進的LBP運算元
從上面我們可以知道原始的演算法自身紋理描述力是很強的，但在特定的局域內，原始LBP運算元只考慮到了存在於中心像素點跟鄰域的像素點之間灰度值的差異，把中心像素點作用以及鄰域像素點其灰度值之間的互相關系忽略掉了，因而造成在某些情況下把局部的結構特點信息有所忽略。如下圖2就是某種特定的情況。圖2 原始的LBP運算元在特定情形中的編碼
圖2中所產生的11111111主要是對暗點以及會讀平坦的區域進行檢測，可以說是特徵檢測器。我們在此基礎上，對原始的LBP運算元進行改進，根據使一位二值編碼增加的方式來加以擴展，提出了多重心化的二值模式也就是MLBP，具體的改進過程如圖3所示。

圖3 改進的LBP運算元計算的過程（P=8、R=1）
由圖3中獲得的兩個8位子編碼將其當做獨立的兩 個MLBP的自編碼，繼而對所有模式直方圖加以計算，根據這個直方圖來加以分類或者是識別。LBP具體的演算法公式如下：

在這當中，N，R分別表示的是臨域點的個數和半徑，gc表示的是像素點，gn表示的是它的臨域點。根據這個改進的MLBP運算元我們可以看出，它根據使一位二值的編碼增加的形式，在將原始LBP運算元的優勢得到保持前提下，將中心像素點作用和鄰域像素點二者間灰度值的關系又加以利用。跟原始的相比，改進的運算元並沒有時特徵模式有所增加，而且還可以將原始的運算元中沒有考慮到的中心像素點和鄰域像素點灰度值間關系產生的結構特點提取出來，讓其鑒別能力得到提高。
3 人臉識別系統的設計
3.1 系統構成
該系統主要是被硬體平台以及軟體開發的平台這兩部分構成。硬體平台指的就是那些採集圖像的設備和計算機系統，而軟體開發的平台就是本文中所描述到的在上述所說的演算法中改進開發出來的一種人臉識別的系統。
3.2 系統軟體
系統軟體的構造。系統軟體可以劃分成以下兩個部分。首先是獲取圖像，當進入到主界面中時，點擊打開圖像或者是打開視頻，系統初始化的硬體設備能夠根據直接打開的靜態表情圖像或者是視頻等，來對人臉表情圖像進行獲取並將圖像顯示出來，之後再對人臉開始進行檢測和定位。其次，就是提取相應的表情特徵並對其進行識別。
下面為了對該系統在進行識別表情時的效果進行驗證，本文進行了幾組對比實驗。先將Gabor跟采樣降維相結合的特徵提取方式下得出的不同分類器效果加以比較，再將該系統下的分類跟其他的分類器效果進行比較。具體如下圖4所示。

圖4 不同的分類器下表情識別比較圖
在圖4中，橫坐標1-7分別表示的是生氣、厭惡、恐懼、高興和瓶頸、傷心以及驚奇，數字8表示的是所有的表情。
結論：
根據圖4我們可看出，在特徵提取條件相同情況下，整體實驗數據中稀疏表示明顯比另兩種分類型的性能要好，而且BP神經網路分類效果也非常良好，但是最近鄰之間的分類器的精準度沒有前兩種表現得好。
該文中運用的這種提取特徵方法的效果明顯比Gabor跟采樣降維相結合的方法效果要好。
上面進行的對比實驗，充分驗證了本文中的分類系統的優越感。下面跟文獻中已經有的方案進行對比，具體如下圖5所示。
[不同人臉表情識別方法＼&識別率＼&Gabor+彈性模板匹配[5]＼&80%＼&特徵塊PCA+最近鄰分析器[8]＼&75.45%＼&本文方法＼&85.71%＼&]
圖5 跟文獻中含有的方案進行比較效果
根據圖5所示，我們可以看出，跟其他文獻中採用的方法來看，本文採用的方法在表情識別上有著明顯的優勢。具體的我們還可以從下圖6的人臉表情識別界面中看到本文中設計的人臉識別系統具體應用情況。

圖6 人臉表情識別的界面
3.3簡析人臉識別演算法
1）優點
這種演算法將以前在迭代過程中的迭矩陣計算大大簡化，而且在識別的速度上也得到了有效的提升，能跟隨光照的變化進行有效的識別，對人臉進行識別的主要困難就是遮擋、單樣本等這些問題，而稀疏表示在這些問題的前提下仍然能具備潛在的發展力，我們可以進一步對其加以研究，這也是現在研究的一個重點方向。
2） 缺點
在上面實驗中我們發現其分類器表現出了良好的使用效果，但這種演算法也存在著一些不足之處，由於數據量不斷地增加，稀疏表示分類需要的時間也會隨之而增加。此外，這種表示方法雖然在速度上明顯優於其他，但是其產生的識別率並不是很高，也就是說不能准確地對表情進行有效識別。
4 展望人臉表情識別的系統
這種新型的對人臉表情加以識別的系統利於將人們的生活品質提高。當人們一旦從比較寒冷的地方或者是比較炎熱的地方回到室內時，可以根據這個表情識別的系統快速地把人們面部表情與最佳溫度中人臉表情相對比，進而讓空調自動把室內的溫度調轉至最佳。此外，在醫療行業中，可以將表情識別運用到電子護士護理中來。尤其是對於那些重症病人，在對其進行治療的過程中可以根據這個具有表情分析能力的機器人護士對病人實行實時的看管護理。除以上幾點外，在對兒童實行教育時也可以將其應用其中，可以根據兒童在某種情形下所產生的表情以及行為進行具體分析和觀察，有效挖掘他們潛在的氣質和能力，引導我們更好地對兒童實行教育，促進兒童的健康成長。
5 結語
綜上所述，對人臉表情加以識別是具有很大挑戰的新興課題，筆者主要對存在於人臉表情識別演算法中的問題進行了簡要的分析，並在此基礎上提出了改進的演算法進而提出了對人臉表情加以識別的系統。但從目前來看，我國關於人臉識別的系統研究當中還存在著一些問題，因此，對於我們來說將更加智能化的關於人臉表情識別的系統加以實現還是一個十分艱巨的任務，還需要我們不斷的努力。
參考文獻：
[1] 趙曉龍. 安防系統中的基於稀疏表示的人臉識別研究[D].西北大學，2014.
[2] 朱可. 基於稀疏表示的人臉表情識別[D].西北大學，2013.
[3] 萬川. 基於動態序列圖像的人臉表情識別系統理論與方法研究[D].吉林大學，2013.
[4] 歐陽琰. 面部表情識別方法的研究[D].華中科技大學，2013.
[5] 王哲偉. 基於稀疏表示殘差融合的人臉表情識別[D].五邑大學，2011.
[6] 張慕凡. 基於稀疏表示的人臉識別的應用研究[D].南京郵電大學，2014.
[7] 趙曉. 基於稀疏表示的人臉識別方法研究[D].北京工業大學，2013.
[8] 何玲麗. 基於核稀疏表示的人臉識別方法研究[D].湖南大學，2014.

❹ 人臉識別有什麼優化演算法還請各位大神賜教，簡單一點的。謝謝

人臉識別技術概述
廣義的人臉識別主要分為人臉檢測(face detection)、特徵提取(feature extraction)和人臉識別(face recognition)三個過程，如圖1所示。
人臉,人臉識別,人臉識別技術
圖1 典型的人臉識別過程
其中，第三步提到的人臉識別是狹義的人臉識別，即將待識別人臉所提取的特徵與資料庫中人臉的特徵進行對比，根據相似度判別分類。而人臉識別又可以分為兩個大類：一類是確認(verification)，這是人臉圖像與資料庫中已存的該人圖像比對的過程，回答你是不是你的問題;另一類是辨認(identification)，這是人臉圖像與資料庫中已存的所有圖像匹配的過程，回答你是誰的問題。顯然，人臉辨認要比人臉確認困難，因為辨認需要進行海量數據的匹配。在辨認過程中，海量數據的處理、特徵提取和分類演算法的選擇變得非常重要。識別率和識別速度是人臉識別技術中主要的衡量演算法性能的指標。本文後面提到的人臉識別，主要指的是人臉辨認。
人臉識別技術原理
人臉識別演算法發展到今天，大致上可以分為兩類：基於特徵的人臉識別演算法和基於外觀的人臉識別演算法。其中，多數基於特徵的人臉識別演算法屬於早期的人臉識別演算法，現在已經不再使用。不過近些年出現了一些新的基於特徵的演算法，並取得不錯的效果。而基於外觀的人臉識別演算法是由於實現簡單，受到廣泛關注。接下來將分別介紹兩類人臉識別演算法。
基於特徵的人臉識別演算法：早期的人臉識別演算法主要是基於特徵模板和幾何約束來實現的。這一類演算法首先對輸入圖像進行處理，提取出如眼睛、鼻子和嘴等面部特徵和外觀輪廓。然後計算這些面部特徵之間的幾何關系，如距離、面積和角度等。這樣將輸入圖像轉換為幾何特徵向量後，使用標準的統計模式識別技術進行匹配分類。由於演算法利用了一些直觀的特徵，計算量小。不過，由於其所需的特徵點不能精確選擇，限制了它的應用范圍。另外，當光照變化、人臉有外物遮擋、面部表情變化時，特徵變化較大。所以說，這類演算法只適合於人臉圖像的粗略識別，無法在實際中應用。
人臉,人臉識別,人臉識別技術
圖2 一些典型的面部幾何特徵示意圖
以上這些方法都是通過一些特徵模板和幾何約束來檢測特定的面部特徵，並計算特徵之間的關系。還有一些方法使用了圖像的局部表示來提取特徵。其中最受關注的方法是局部二值模式(LBP)演算法。LBP方法首先將圖像分成若干區域，在每個區域的像素3x3鄰域中用中心值作閾值化，將結果看成是二進制數。圖3顯示了一個LBP運算元。LBP運算元的特點是對單調灰度變化保持不變。每個區域通過這樣的運算得到一組直方圖，然後將所有的直方圖連起來組成一個大的直方圖並進行直方圖匹配計算進行分類。
人臉,人臉識別,人臉識別技術
圖3 LBP運算元
基於特徵的人臉識別演算法主要的優勢在於對姿態、尺度和光照等變化魯棒。由於多數特徵是基於手動選擇和先驗知識，受圖像本身的成像質量影響較少。另外，提取出的面部特徵往往維數較低，匹配速度快。這些方法的缺點是自動特徵提取的難度較大。如果特徵集的鑒別能力弱，再多的後續處理也無法補償本身的不足。
基於外觀的人臉識別演算法：基於外觀的人臉識別演算法也稱為整體方法。它們使用圖像的全局信息來辨識人臉。最簡單的整體方法是用二維數組來存放圖像的灰度值，然後直接對輸入圖像和資料庫中的所有圖像進行相關性比較。這種方法的缺點非常多，如易受環境影響、計算耗時等。其中一個重要的問題是這樣的分類是在一個非常高維的空間中進行的。為了克服維數問題，一些演算法使用統計降維方法來獲取和保留更有用的信息，最典型的演算法就是主成分分析(PCA)演算法和線性鑒別分析(LDA)演算法。
PCA演算法指出任何特定的人臉可以由一個低維的特徵子空間表示，並可以用這個特徵子空間近似地重建。將輸入人臉圖像投影到特徵子空間上得到的特徵與已知的資料庫進行比對來確定身份。PCA演算法選取的特徵最大化了人臉樣本間的差異，但也保留了一些由於光照和面部表情產生的不必要的變化。而同一個人由於光照產生的變化可能會大於不同人之間的變化，如圖4所示。LDA演算法在最大化不同個體之間的樣本差異的同時，最小化同一個體內部的樣本差異。這樣達到了人臉特徵子空間的劃分。圖5是PCA和LDA演算法的示例。其中，PCA的特徵臉是由組成PCA特徵子空間的特徵向量按二維圖像來排列得到的類似人臉的圖像。LDA的Fisher臉也是同樣道理。經過特徵臉和Fisher臉重構得到的人臉圖像在第四行。可以看到，PCA重構臉與輸入人臉差異較小，但LDA的Fisher臉很難辨認，但突出了該個體的顯著特徵。PCA和LDA方法都假設存在一個最優的投影子空間。這個子空間的每個區域對應唯一的一個人。然而，事實上在人臉空間中許多人經常會映射到相同的區域中，因此這種假設並不成立。

來源：海鑫科金
http://www.hisign.com.cn/news/instry/2699.html

❺ 人的表情一共有多少種

有豐富的表情，這是人臉的重要特徵。當然，剛生下的嬰兒談不上有多少表情，呆頭呆腦的人表情也不會多姿多彩。一般說，正常人的臉部有6種基本表情，那就是：厭惡、憤怒、害怕、高興、悲傷和驚奇。畫家徐悲鴻則把表情歸為喜、怒、哀、懼、愛、厭、勇、怯幾類。細細分辨，人的表情可達7000種以上，真可謂千變萬化。據研究，臉部用以表達情感的肌肉多達好幾千條，人的豐富的表情正是它們導演的。 即使是與世隔絕的土著部落人，他們臉上的表情也和我們一個模樣。生來就雙目失明的人，表情與明眼人同樣沒什麼不同。由此推論，表情竟是我們與生俱來的本領哩 據研究，人的左邊臉部表情要比右邊的變化強烈。心理學家通過對不同性格的人觀察證實，面部表情是從左側開始，而且左右是不對稱的。這是由於我們大腦的右半球通常與外界直接聯系，右腦又是控制著左臉的緣故。
記得採納啊

❻ 人有哪些表情呢

1、高興：

當心中感覺快樂時，額頭通常是平展的，眼睛是閃光而微亮的，而且面頰上提。同時，嘴角後拉，上翹如新月；而一旦笑出聲時，面部肌肉的運動程度就會加大，眼睛會顯得更加明亮。

面部表情的作用

面部表情是一種十分重要的非語言交往手段，藝術家們往往會通過對人物面部表情的描繪，來表現人物內心的情緒和情感，栩栩如生地展現人物的精神風貌。人們也可以用面部表情與人溝通。

一個有趣的例子是模仿，人們（和猩猩）在外表上模仿其他人的反應是常見的行為，尤其是當人們感受到他人的憂傷時，自己也會表現出憂傷的樣子，這一點曾經被達爾文指出過。這種模仿可能是為了表示同情，都體驗到了痛苦經歷帶來的憂傷。

❼ 表情包括哪幾種

❽ 面部表情的表情分類

面部表情可以分為八類：感興趣—興奮；高興—喜歡；驚奇—驚訝；傷心—痛苦；害怕—恐懼；害羞—羞辱；輕蔑—厭惡；生氣—憤怒。一般來說，眼睛和口腔附近的肌肉群是面部表情最豐富的部分。

❾ 表情的種類有哪些

人的表情是通過面部顯示的，因而所謂表情就是指面部表情。它可以分為臉面的表情、眉目的表情和口唇的表情。

第一，臉面的表情。

這是通過臉面色彩的變化、面部肌肉的動作及其所造成的紋路來表現情感的。平時人的臉色是正常的，激動時就會變紅；平時人的面部肌肉是鬆弛的，激動時就會綳緊；當心情愁苦時，臉色往往陰沉、無光；當心情愉快時，臉部會紅光滿面；而當心情憤怒時，臉色或者鐵青，或者暗紅，面部肌肉也會緊張得發生或向上或向下的變化。

作為一個演講者，應當了解臉面的表情變化規律，並在演講時恰當、准確地運用這些規律。

第二，眉目的表情。

眉是通過形狀變化，目是通過光澤變化來傳情的。眼眉可以舒展或緊皺，眉梢可以上挑或下垂，這都能表示不同的感情。目光可以暗淡，可以飽滿，也可以銳利如電，用來表示不同的感情。憤怒時兩眼圓睜，雙眉豎起；思考時眼眸凝視，眉頭微皺；雙眉緊鎖，表示憂愁；含情注目，表示祈望。

可見，眉目的傳情達意作用是相當大的。富有經驗的演講者，總是充分利用自己的眉目變化，來表現豐富的思想情感。

第三，口唇的表情。

口與唇往往相互配合，以其不同的形狀表現不同的情意。一般說來，口角向上，表示高興、愉快。口角向下，如果嘴唇緊閉，則表示不滿或不悅；如果嘴唇微閉，則表示驕傲或厭惡；如果嘴唇微開，則表示悲哀或痛苦；如果嘴唇大張，則表示畏懼驚恐。口角平，如果嘴唇緊閉，則表示堅決、果敢；如果嘴唇微閉，則表示平安、謙遜；如果嘴唇微開，則表示注意、期望；如果嘴唇大張，則表示驚愕詫異。

演講時，當我們講話時要張口，但話與話之間停頓時，則往往可以閉嘴。這樣我們就有了以口唇的不同形狀的變化，來表情達意的機會。任何一個聰明的演講者，都將緊緊地抓住這個機會，從而有效地利用它。

❿ 演員怎麼練習面部表情

1、准備好一面小鏡子，鏡子的大小以能看到自己面部的全貌為宜，以後對所有表情的訓練都會用到它。作出大笑的表情並保持住。將大拇指頗用力地抵在嘴角旁邊的點上，從大拇指抵著地點到鼻頭旁邊，就會出現一道中位笑紋。然後調整這道紋理的形成位置。

2、取一根牙簽並除尖去刺，做成自製的木簽。然後，作出大笑的表情並保持住。想像自己的臉上有兩條標準的下位笑紋，再將木簽的一端，力度適中地斜抵在想像中的，左臉或右臉的下位笑紋的中間，就會抵出一道下位笑紋。然後調整這道紋理的形成位置，不能太靠近下唇。

3、對著鏡子，活動自己的面部肌肉，達到運用靈活為好。分別找喜怒哀樂四種情緒，分別表現在臉上，除了眼神，面部肌肉的配合也很重要。

4、人在打呵欠的時候，會有輕度的氣沖雙眼的感覺，試著加強這種感覺，就會使雙眼湧出淚花。不會主動地打呵欠的，可以挺拔身姿並舉起雙臂，這能使呵欠更容易打得出來。訓練比較容易哭出來。

5、先搜集一些俊男靚女的影像，然後在進行表情訓練時模仿他們的表情，屆時最好是男模仿男，女模仿女。還有一種方法是，用左右臉相互模仿的辦法找感覺。