1.基于小数据集下的面部表情BN识别方法，其特征在于：由以下步骤实现：

首先提取面部表情图像的几何特征和HOG特征，经特征融合和归一化等处理构成动作单元AU标签样本集；

其次构建面部表情识别BN结构，并将定性专家经验转化为BN条件概率之间的约束集合；

随后引入目标函数，利用凸优化对最大化形式的目标函数求解，完成面部表情识别BN模型参数的估算；

最后利用联合树推理算法识别出面部表情；

具体由以下步骤实现：

第1步：基于HOG方法提取面部表情的特征向量，经与几何特征融合和归一化等处理构成相应的AU标签样本数据集D；

第2步：判断面部表情BN是否已经结构建模；若已建模，则跳转至第3步；否则，根据专家经验建立BN模型结构G；

模型结构G具体为：

依次以父节点Expression作为14条有向边的箭尾，箭头分别指向子节点AU1、AU2、AU4、AU5、AU6、AU7、AU9、AU12、AU15、AU17、AU23、AU24、AU25、AU27；

第3步：判断BN参数CPT是否已经参数建模；若已参数建模，则跳转至第4步；若没有参数建模则利用参数学习算法，得到BN模型参数CPT；

参数学习算法的具体步骤为：

A、根据样本数据集D统计样本量Nijk，即样本数据中父节点状态为j、第i个节点取第k个状态的统计值，再根据公式(2)计算得到θijk；

若θijk为0，则令θijk＝0.002；

B、将专家经验根据公式(3)形成约束集合ξ；BN节点参数描述为等式和不等式集合，即：其中，θA表示参数序列，αA是相应的常数序列，α是一个常数且α≥0；

C、根据θijk，约束集合ξ，即公式(3)以及目标函数公式(4)进行参数优化确定出BN参数CPT；

CPT求解利用凸优化求解工具CVX完成，然后返回第1步；

第4步：在BN模型中，由D得到待识别的观测证据ev，利用联合树算法进行推理，从而得到面部表情属性概率Ω'；

第5步：判断目标属性概率Ω'是否大于等于阈值Ω；若不满足则返回第1步；若满足则输出面部表情属性，即面部表情识别结果。