崔子越，皮家甜，陈 勇，杨杰之，鲜 焱，吴至友，赵立军，曾绍华，吕 佳

1.重庆师范大学 计算机与信息科学学院，重庆 401331

2.重庆市数字农业服务工程技术研究中心（重庆师范大学），重庆 401331

3.智慧金融与大数据分析重庆市重点实验室（重庆师范大学），重庆 401331

4.重庆师范大学 数学科学学院，重庆 401331

随着计算机图像处理技术日益的完善，人脸表情识别逐渐成为计算机图像处理中重要的一部分，在人机交互、安全以及机器人制造等领域具有广泛且必要的用途。通过面部表情的变化来获取对象情感变化，是面部表情的主要交流方式。在实际采集表情数据集时，通常会由于光照变化、头部姿势、表情强度以及呈现方式等因素，造成表情样本类内表情差异大、类间表情差异小的问题，降低模型准确性。因此，人脸表情识别依然面临着巨大的挑战。

表情识别的研究可以主要分为基于传统特征提取的方法和基于深度学习的方法。传统特征提取主要依赖人工设计的提取器，需要大量的专业知识，同时泛化性和鲁棒性较深度学习方法略有不足。Gupta等人[1]使用SVM 的方法在CK+数据集上取得了93.7%的准确性，相比深度学习方法准确性较差。深度学习方法对特征的提取是通过反向传播和误差优化算法对权重进行更新迭代，在大量样本学习过程中提取到更深层次、更抽象的特征。近年来，众多学者将深度学习方法应用于人脸表情识别当中，并且取得了较好的效果。

2014 年，Simonyan 等人[2]提出了VGGNet 模型，探索了卷积神经网络的深度与其性能之间的关系，为深度卷积神经网络（Deep Convolutional Neural Network，DCNN）的发展奠定了基础。……