近来,基于稀疏表示的分类(SRC)已成功用于自动识别面部表情,这以解决遮挡和损坏问题的能力而闻名。 那些使用不同功能与SRC框架结合的方法的结果显示了在干净或有噪点的面部表情图像上的最新性能。 因此,特征提取在SRC框架中的作用将极大地影响面部表情识别(FER)的成功。 在本文中,我们选择一个称为LBP贴图的新功能。 此功能是使用本地二进制模式(LBP)运算符生成的。 它不仅对灰度变化具有鲁棒性,而且还为SRC提取了足够的纹理信息以处理FER问题。 然后,我们提出了一种将LBP映射与SRC框架结合使用的新方法。 首先,我们将我们的方法与最新发表的作品进行了比较。 然后在Cohn–Kanade数据库上进行的实验表明,与使用不同特征的方法相比,LBP map + SRC可以在清洁的人脸图像上以最低的耗时实现最高的准确性。 作为原始图像,下采样图像,Eigenfaces,Laplacianfaces和Gabor与SRC结合使用。 我们还对LBP map + SRC进行了实验,以识别部分遮挡和损坏的人脸图像,结果表明该方法比基于SRC框架的现有方法对遮挡和损坏的鲁棒性更高。