《Facial Emotion Recognition: A Survey and Real-World User Experiences in Mixed Reality》 主要講的是硬件
本文簡要介紹了情感識別的各種方法和技巧。該調查涵蓋了對數據庫的簡要回顧，這些數據庫被視爲通過面部表情檢測情緒的算法的數據集。後來，混合現實設備Microsoft HoloLens（MHL）被引入用於觀察增強現實（AR）中的情緒識別。簡要介紹了其傳感器，它們在情感識別中的應用以及使用MHL進行情感識別的一些初步結果。然後，本文通過比較MHL和常規網絡攝像頭的情感識別結果得出結論。本文介紹了它們在情感識別中的應用以及利用MHL進行情感識別的初步結果。然後，本文通過比較MHL和常規網絡攝像頭的情感識別結果得出結論。
《Facial Expression Emotion Detection for Real-Time Embedded Systems》基於matlab的5名觀察者的表情識別
目前爲止，這是第一次在嵌入式設備（現場可編程門陣列FPGA）上成功地實現了自動情感狀態檢測。該系統比圖形處理單元（GPU）實現速度快20倍[10]，可實時分析每秒30幀。本文介紹了該技術的實現過程，並對兩種結果進行了評價。
2015年，Microsoft Oxford API（應用程序編程接口）雲服務基於面部表情提供情感識別[24]。這個API爲圖像中的每個面以及面的邊界框提供了跨一組情緒的信心。檢測到的情緒有憤怒、輕蔑、厭惡、恐懼、幸福、中立、悲傷和驚訝。這些情緒被理解爲跨文化和普遍地與面部表情交流。識別是實驗性的，並不總是準確的[24]。
總體系統精度爲47.44%，可與J.Chen在擴展的Cohn Kanade（CK+）數據庫（清潔環境）和Wild（AFEW）4.0數據庫[42]中進行的同類最先進的工作相媲美，總體平均精度爲45.2%
《Emotion Detection Using Facial Expressions -A Review》這也算個review?就講了下主成分分析這一種方法
面部表情識別系統由四個步驟組成。首先是人臉檢測階段，它從靜止圖像或視頻中檢測人臉。第二個階段是標準化階段，它去除噪聲，並根據亮度和像素位置對人臉進行標準化。在第三階段，提取特徵並消除無關特徵。在最後一步中，基本的表達被分爲六種基本的情緒，如憤怒、恐懼、厭惡、悲傷、幸福和驚奇。
《Facial Emotion Recognition in Real Time》開發了一個卷積神經網絡，用於實時從動態面部表情中分類人類情緒。我們在現有卷積神經網絡的全連接層上使用遷移學習，該網絡經過預訓練用於人類情緒分類。
情緒可以通過多種方式識別，如語音語調、身體語言和更復雜的方法，如腦電圖（EEG）[1]。然而，更簡單、更實用的方法是檢查面部表情。有七種人類情感在不同的文化中被普遍地識別出來：憤怒、厭惡、恐懼、幸福、悲傷、驚訝、輕蔑。因此，一種從面部表情中檢測情感的實用工具將被廣泛應用。這樣的進步可以在醫學、市場營銷和娛樂領域帶來應用[4]。
圖2 VGG S網第一卷積層濾波器的可視化
由於時間限制，我們只訓練了網絡的最後幾個完全連接的層（fc6、fc7、fc8）。VGG S的體系結構（見圖6）由五個卷積層、三個完全連接層和一個SoftMax分類器組成，還應用了opencv提供的haar級聯過濾器（見論文圖6）來裁剪輸入圖像人臉。
《Using Kinect for real-time emotion recognition via facial expressions》
本文的貢獻是：
1.該方法採用了從RGB和深度數據中提取的面部表情特徵（AUS和FPPS），對人臉檢測和情緒識別具有重要意義。此外，爲了提高識別速度，我們減少了FPP的數量，獲得了更好的識別精度。
2.我們創建了一個全面的實時FER應用程序，包括基於Kinect和人臉跟蹤SDK（Microsoft，美國）的數據庫創建和模型培訓。據我們所知，這是第一個能夠從具有多類型功能的Kinect實時視頻序列中識別面部情緒的系統。
3.我們首先提出了一種基於IEPs的融合算法，將最近30幀的識別結果與每種類型的特徵（AUS或FPP）融合在一起。然後將結果與兩種特徵相結合，採用基於最大置信度的融合算法進行情感估計。
表情強度：《Facial Expression Intensity Estimation Using Ordinal Information》
並沒有說怎麼判別表情強度，只有在有標記的表情上纔可以，如pain表情
