1.基于表情识别与心理学测试生成性格的分析方法，采用MBTI心理学测试题库对测试者进行测试，方法如下：步骤1)、以测试者脸部为采集对象，利用摄像设备针对测试者进行试题测试时的脸部图像信息进行捕捉；

步骤2)、针对捕捉后的人脸图像进行处理，消除除人脸外的其他图像信息，得到处理归一后的面部表情图像；

步骤3)、搭建两个卷积神经网络，其一卷积神经网络用于训练面部表情图像，通过卷积神经网络来训练步骤2)中得到的面部表情图像获得的面部表情特征；

另一卷积神经网络用于训练心理学测试数据，利用步骤2)中得到的面部表情图通过训练心理学测试数据获得心理学测试特征；

随机选取部分脸部表情图像作为训练集，通过卷积神经网络中的卷积层、池化层经过前向训练处理并提取特征量；将特征量输入至全连接层中进行分类，得到面部表情特征；

所述的卷积层通过如下公式进行前向训练提取特征：

其中n代表当前层， 表示当前层的第j个特征图，f表示激励函数，Mj代表输入图的集合， 表示第j个特征图对应的偏置项， 表示当前层第j个特征图与前一层第i个特征图的卷积核， 表示前一层第i个特征图，*表示卷积运算；

将上述卷积层提取的特征作为输入池化层，并通过入下公式降低数据的维度，进行前向训练提取特征；

和 表示当前层和前一层的第j个特型；down表示采样函数； 和 表示当前层第j个特征图的乘性偏置和加性偏置；

步骤4)、将步骤3)中的得到的面部表情特征通过支持向量机进行多分类，获得表情心理特征；

步骤5)、将步骤4)中得到表情心理特征及步骤3)中心理学测试特征进行计算融合，获得面部融合特征；

步骤6)通过多层感知机和支持向量机训练一个分类器；

步骤7)、将步骤5)中获得的面部融合特征进行分类，通过表情心理特征与心理学测试特征进行双重分析，采用步骤6)中训练的多层感知机模型和支持向量机进行分类，将最终性格分析分为三类：理智型、情绪型、意志型。

2.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法,其特征在于：将卷积层提取的特征与池化层提取的特征通过全连接层通过如下公式进行分类，获得分类模型：T

h(x)＝f(wx+b)

h(x)表示神经元的输出值；x表示神经元输入特征向量；w表示权值向量；b表示偏置，T代表矩阵转置。

3.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：步骤4)中通过训练卷积神经网络得到的面部表情特征基于支持向量机进行分类获得表情心理特征；通过划分类别个数构建相同数量的支持向量机，采用支持向量机一对多多分类的方式，将支持向量机应用于所有样本并进行测试；支持向量机针对多个测量结果中的最大值作为分类结果。

4.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：步骤3)中的卷积神经网络通过MBTI心理学测试题库随机生成的部分试题为训练集，训练卷积神经网络利用训练集置卷积层、池化层、全连接层的排列规律，进行前向训练并反向传播更新权值，得到心理学测试模型；将测试数据输入得到的心理学测试模型，得到心理学测试特征。

5.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：在步骤6)中通过支持向量机和多层感知机搭建一个分类器模型；将在步骤3)中用于训练两个卷积神经网络的两个训练集得到的训练特征融合，将两类特征融合得到的特征集作为训练分类模型的训练集，确定激活函数、损失函数、偏置、权重；

通过如下公式将给定的训练集在每一轮迭代中同时调整权重以及偏置，直到满足精度，输出实例的类别，分别是+1和‑1：f(x)＝sign(ωx+b)

f为sign函数，ω,b为感知机权重和偏置，sign为激活函数，x为输入；

采用多层感知机通过如下公式进行函数激活，以Sigmoid函数作为激活函数，公式如下：σ(z)为Sigmoid激活函数，z为ωx+b，ω为权重，b为偏置，x为输入。

6.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：在步骤7)中，将在步骤5)中得到的面部融合特征输入到在步骤6)中训练得到的基于支持向量机和多层感知机的分类器模型，将面部融合特征分为三类：理智型、情绪型、意志型。

7.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：步骤2)中针对捕捉后的人脸图像进行处理步骤如下：

1)、人脸图像对齐：找到人脸面部上眼睛、鼻子、嘴、面部轮廓面部标志性特征位置，常采用SDM算法，选取49个特征点；SDM算法是将一个给定的人脸初始形状，通过不断迭代，将初始形状回归到真实形状的位置；

2)、将对齐后的图像特征点增强数据：减小过拟合风险，减小特征提取时出现错误的可能性；

3)、归一化处理：灰度归一化和几何归一化，减小亮度，位置因素对特征提取的影响。

8.根据权利要求1所述的基于表情识别与心理学测试生成性格的分析方法，其特征在于：所述的步骤3)中搭建的卷积神经网络步骤如下：步骤01、选择输入层、卷积层、池化层、全连接层、输出层的排列规律；

步骤02、确定输入层矩阵的大小，该矩阵大小被2多次整除；

步骤03、其卷积层使用SamePadding零填充矩阵边界，并设计卷积核大小设置为3*3规格；

步骤04、设定卷积步长选择为1；

步骤05、选择池化层的Pooling窗口，该窗口规格为2*2；

步骤06、设定激活函数和损失函数；激活函数为RELU函数，损失函数为MSE均方误差损失函数；即卷积神经网络搭建完成。