顔表情認識は、人間とコンピュータの相互作用、メンタルヘルスモニタリング、運転手警報システム、行動分析など、多くの実用的応用を持つ重要なコンピュータビジョンタスクである。現代の顔表情認識ではCNN（畳み込みニューラルネットワーク）が主流となっているが、HOG（Histogram of Oriented Gradients）やLBP（Local Binary Patterns）といった古典的な手作り特徴記述子も依然として有用なベースラインとして機能している。 本研究は、HOGとサポートベクターマシン（SVM）の組み合わせ、LBPとロジスティック回帰の組み合わせ、そして軽量CNNを、3つの顔表情データセット（FER-2013、CK+、KDEF）を使用して比較している。研究結果は、CNNがより複雑なデータ特に全体的なパフォーマンスにおいて最良の成績を達成する一方で、HOGは制御された環境下で高い性能を示すことを明らかにしている。一方、LBPはすべてのデータセットで低い性能を示している。 この研究から得られる重要な知見は、データセットの複雑性がモデルの性能に大きく影響することと、実世界の顔表情認識アプリケーションにおいては堅牢な特徴学習が本質的に必要であるということである。古典的な特徴抽出法とディープラーニングの比較を通じて、適切な手法の選択がデータセットの特性によって決定される必要があることが示唆されている。