深度学习与传统方法在人脸表情识别中的应用对比

"本文详细探讨了传统的人脸表情识别算法，主要关注了该领域的核心理论和技术。作者提及了从六种基本表情（快乐、悲伤、惊讶、愤怒、厌恶和恐惧）的定义，到面部动作编码系统（FACS）的发展，再到现今较为成熟的人脸表情识别技术的40年历程。人脸表情识别技术主要由三部分构成：人脸图像预处理、特征提取和表情分类。在预处理阶段，包括光照补偿、去噪、归一化和对比度增强等步骤。特征提取方面，过去主要依赖浅层学习算法，如基于外貌、几何和混合特征的方法，以及对动态图像的模型跟踪、特征点跟踪、弹性图匹配和光流法。在分类阶段，常用的方法有隐马尔可夫模型、K近邻算法、AdaBoost、支持向量机和神经网络。此外，文章还深入介绍了局部二值模式（LBP）的基本理论，并展示了其在人脸表情识别中的应用，作为与深度学习方法的对比。 传统的人脸表情识别系统通常由三部分组成：首先进行人脸图像预处理，然后提取表情特征并进行降维和分解，最后进行表情分类。论文还提及了广东工业大学硕士研究生黄寿喜的研究，他专注于基于深度学习的人脸表情识别，使用深度信念网络（DBN）和堆叠自动编码器（SAE）来改善传统方法在提取人脸表情特征上的不足。深度学习算法，如自动编码器、深度信念网络和深度卷积网络，也被分析其在解决人脸识别挑战中的作用。 这篇摘要涵盖了从传统方法到深度学习方法在人脸表情识别领域的进展，突显了这两种方法在特征提取和分类上的差异和互补性。"