1.一种基于两步降维和并行特征融合的人脸表情识别方法，其特征在于，包括以下步骤：

步骤1：对原始人脸表情图像进行裁剪及图像预处理；

步骤2：分别利用LBP和Gabor小波两类特征提取方法对经过预处理后的人脸表情图像进行特征提取；

步骤3：在实数域内利用PCA分别对两组特征数据分别进行第一次降维；

步骤4：将经过数据预处理后的两组特征数据进行并行特征融合；

步骤5：利用unitary-space HDA方法在酉空间内对并行融合特征进行第二次降维；

步骤6：利用支持向量机进行数据分类和预测；

所述步骤3具体是利用PCA分别对两组特征数据在实数域内进行第一次降维，降维维数选择及主成分值个数可由主成分贡献率公式得到；

所述步骤4具体包括：先对降维后的两组特征数据进行数据补齐及数据平衡性调整，此时两组特征数据的长度及数值量纲基本统一；然后，分别将Gabor小波特征数据作为并行组合特征的实数部分，将LBP特征数据作为并行组合特征的虚数部分进行特征融合；

所述步骤5进一步包括：首先，通过训练集中的并行组合特征来构造类间散布矩阵Sb、类内散布矩阵Sw以及整体协方差矩阵St这三类酉空间散布矩阵，并结合(λ,η)参数调整来构造unitary-space HDA最优鉴别问题，取(λ,η)＝(0.5,0.5)；然后，对上述最优鉴别问题进行复特征分解以求解酉空间二次降维投影矩阵，并将训练集和测试集并行组合特征数据在该投影方向上进行二次降维。

2.如权利要求1所述的方法，其特征在于，所述步骤1进一步包括：首先，对原始人脸表情图像确定人眼瞳孔距离d，并以瞳孔中心位置为中轴线左右0.9d长度范围为裁剪宽度,以瞳孔中心位置以上0.6d及以下1.6d长度范围为裁剪高度,确定出一个1.8d×2.2d的矩形范围进行裁剪；然后，对裁剪后的人脸表情图像进行灰度化处理并对处理得到的灰度图像进行尺寸归一化，归一化后的图像尺寸大小为120×120；最后，对归一化后的灰度图像进行直方图均衡化预处理。

3.如权利要求1所述的方法，其特征在于，所述步骤2进一步包括：首先，对预处理后的每一副人脸表情图像进行3×3个子块的划分，即可得9个表情子块图像，而每个子块大小为

40×40；然后，利用利用LBP和Gabor小波这两类特征提取方法分别对每一副表情图像上的每一个子块图像进行特征提取。

4.如权利要求1所述的方法，其特征在于：所述特征提取是：首先，利用P＝8，R＝2即邻域点个数为8、邻域半径为2的规则化圆形邻域LBP算法对表情子块图像进行局部纹理特征提取：通过中心像素值与邻域像素值进行阈值比较后所得二进制序列进行规则化判断及统计，最终在每一个子块图像上得到一个59维的特征数据，因而每一幅表情图像的LBP特征维数是：3×3×59＝531维；然后，利用5个尺度和8个方向范围内的Gabor小波核函数对表情子块图像进行小波特征提取：构造40组Gabor小波高斯核函数并将其分别与每一副表情图像中的子块图像进行卷积运算后可得小波输出图像，并对输出图像的像素平均值及标准差作为小波统计学特征数据，因而整幅图像的小波特征维数是：3×3×5×8×2＝720维。

5.如权利要求1所述的方法，其特征在于：所述步骤6具体包括：首先，将训练集数据经过如权利要求1中所述步骤1至步骤5处理后所得并行组合特征以及6类基本表情的样本标签作为支持向量机的训练输入，并将径向基函数作为内核函数将训练集数据从低维向高维投影后进行数据训练，并得到训练集的分类模型；然后，将测试集数据同样经过如权利要求

1中所述步骤1至步骤5处理后所得并行组合特征作为支持向量机的预测输入，并通过已经建立好的分类模型对表情进行预测。