基础知识：
1.表情识别方法分为：基于特征的方法，基于模板的方法。
2.几何特征表示面部各部分的位置和形状，而外观特征则表示面部的外观变化，如皱纹、缝隙、皱纹和隆起。
3.高维特征在人脸识别中的应用已被证明是有效的，其性能在大多数情况下都优于低维特征和现有技术[1]。
4.深度稀疏自编码器（DSAE）的一个突出特点是它可以通过无监督学习来提取有用的特征，即在检测和去除输入冗余后，它只以稳健的、有区别的表示形式保留数 据的关键信息[2]。
本文贡献：
（1）由于高维特征包含了准确、全面的情感信息，将人脸几何特征和外观特征相结合，引入到表情识别中。
（2）建立了一个基于DSAE的人脸表情深度学习框架，通过从数据集中学习具有鲁棒性和区分性的特征，实现了高精度的人脸表情识别。
（3）提出的基于DSAE的人脸表情识别方法成功地应用于ck+数据库中不同表情的识别。
针对的问题：
文中说是针对“由于同一表情的个体差异性和表情之间的微妙性，区分不同的情感是一项具有挑战性的任务，而不管人脸的身份如何。此外，外部因素增加了识别过程的难度，如光照、环境和摄像机。”这一广泛的问题，没有很强的针对性。
实现细节：
（1）本文首先采用人脸对齐的方法对密集的人脸标志点进行精确定位。然后，将从以地标为中心的斑块中提取的所有描述子串接起来，形成高维特征。具体来说， 本文选取了三种不同的描述方法，即hog、lbp和gray-value。
（2）我们打算建立一个基于dsae的面部表情识别深度学习框架，通过从数据集中学习有用的特征来对表情进行高精度分类。
不足之处：
只是在CK+数据集上进行实验，也没有和最好的论文（FN2EN）比较，不具有很强的说服力。
[1] D. Chen , X. Cao , F. Wen , J. Sun , Blessing of dimensionality: high-dimensional feature and its e?cient compression for face veri?cation, in: 2013 IEEE Con- ference on Computer Vision and Pattern Recognition, 2013, pp. 3025–3032 .
[2] J. Masci , U. Meier , D. Ciresan , J. Schmidhuber , Stacked convolutional auto-en- coders for hierarchical feature extraction, in: 21st International Conference on Arti?cial Neural Networks, 2011, pp. 14–17 .
原文：https://www.cnblogs.com/zwp-28/p/11749042.html