本文提出了一种用于面部表情识别的新框架，通过使用选择面部补丁的外观特征，使用一对一分类方法来分类每对表情类，提取包含区分特征的显著补丁，并针对不同表情类选择不同的显著补丁，提出了一个自动学习 - 无费用的面部标记检测技术，该技术在不同分辨率下表现稳定，在 CK + 和 JAFFE 面部表情数据库上展示了该系统的有效性。

May, 2015

利用超图拉普拉斯特征映射方法与 K 最近邻方法和 / 或核岭回归方法相结合，解决人脸识别问题；实验结果显示，新的超图拉普拉斯特征映射与特定分类系统的组合准确性与旧的对称归一化超图拉普拉斯特征映射方法与特定分类系统的组合准确性相似。

May, 2024

本研究提出了一种全自动面部表情识别的新方法，该方法利用弹性束图匹配位移估计跟踪连续视频帧中的面部特征点，提取各个特征点的特征向量并进行归一化，通过多类 AdaBoost 和支持向量机方法识别面部表情，并在 Cohn-Kanade（CK +）面部表情数据库上实现了 95.17％和 97.35％的识别准确率。

Apr, 2016

本文提出了一种基于外貌和几何特征结合支持向量机分类的面部表情识别方法，其中包括从特定区域提取外观和几何特征，使用递增搜索法确定重要的局部区域以降低特征维度并提高识别精度，并通过比较全局和局部的特征组合识别面部表情。该方法在公开的 Cohn-Kanade (CK+) 面部表情数据集上表现良好。

Apr, 2016

本研究提出了一种基于静态图片实现的轻量级算法，用于实时进行人脸表情识别、情绪分类和特征提取。 Multi-Layer Perceptron (MLP) 神经网络是基于前面的算法进行训练的，提取几何和纹理特征，生成特征向量，用于训练三层 MLP，其测试准确度达到 96%。

Jan, 2022

提出一种有效的基于 patch 的人脸图像质量评估算法，该算法综合考虑了人脸图像的几何对齐、锐度、头部姿势等因素，能够识别最正面、对齐、锐利和照明良好的图像，并在实验中表明在人脸子集的选择方面，该方法优于现有技术，使人脸识别准确度显著提高。

Apr, 2013

深度学习在面部表情识别方面的模型表现超过了人类，本研究通过比较不同神经网络（包括一般物体分类器和面部表情识别专用模型）来探索深度神经网络与人类感知之间的相似性。使用可解释的全局人工智能方法生成热图，揭示出六种面部表情的关键面部区域，通过定量和定性的方法评估结果，并发现网络体系结构对相似性的影响。

Jan, 2024

这篇论文提出了一种通过图像进行面部表情的深度分类方法，采用了深度前馈人工神经网络。该方法可用于良好的应用，包括视觉检查和安全措施。

May, 2023

该文介绍了针对面部表情识别问题，提出了一种基于注意力卷积网络的深度学习方法，并采用可视化技术确定了识别不同情绪对应的重要面部区域，相比先前的模型在多个数据集上都取得了明显的改进。

Feb, 2019

本文提出了一种基于 CNN 和度量学习的两阶段方法，以实现面部验证和识别。实验表明，该方法优于其他最先进的方法，获得 99.77% 的成对验证准确度，并在其他两个更实用的协议下获得更好的准确度。本文也讨论了数据大小和补丁数量的重要性，展示了通往实际高性能面部识别系统的明确途径。

Jun, 2015