文件列表:

asset (0, 2019-12-04)
asset\CNN.png (456913, 2019-12-04)
asset\Kuo_A_Compact_Deep_CVPR_2018_paper.pdf (562057, 2019-12-04)
asset\loss.png (221497, 2019-12-04)
asset\model.png (60653, 2019-12-04)
asset\rst_gui.png (183245, 2019-12-04)
asset\rst_gui2.png (1126895, 2019-12-04)
data (0, 2019-12-04)
data\demo.jpg (1867, 2019-12-04)
data\params (0, 2019-12-04)
data\params\haarcascade_frontalface_alt.xml (919871, 2019-12-04)
data\test (0, 2019-12-04)
data\test\IMG_20190702_105444.jpg (1951613, 2019-12-04)
data\test\anger1.jpg (25544, 2019-12-04)
data\test\disgust1.jpg (17376, 2019-12-04)
data\test\fear1.jpg (152635, 2019-12-04)
data\test\happy1.jpeg (60519, 2019-12-04)
data\test\happy2.png (1603507, 2019-12-04)
data\test\happy3.jpg (21096, 2019-12-04)
data\test\happy4.jpg (139038, 2019-12-04)
data\test\happy5.jpg (1211349, 2019-12-04)
data\test\happy6.jpg (6225, 2019-12-04)
data\test\neutral1.jpg (218370, 2019-12-04)
data\test\sad1.jpg (21654, 2019-12-04)
data\test\surprised1.jpg (25943, 2019-12-04)
data\test\surprised2.jpeg (21821, 2019-12-04)
data\test\zy_gray.png (2033, 2019-12-04)
data\tips.txt (54, 2019-12-04)
dataset-cite.txt (863, 2019-12-04)
fonts (0, 2019-12-04)
fonts\simsun.ttc (18214472, 2019-12-04)
images (0, 2019-12-04)
images\anger.png (14628, 2019-12-04)
images\disgust.png (16186, 2019-12-04)
images\fear.png (16175, 2019-12-04)
images\happy.png (16613, 2019-12-04)
images\neutral.png (12094, 2019-12-04)
... ...

# 表情识别 > 2019.12更新了仓库依赖。 ## 简介 使用卷积神经网络构建整个系统,在尝试了Gabor、LBP等传统人脸特征提取方式基础上,深度模型效果显著。在FER2013、JAFFE和CK+三个表情识别数据集上进行模型评估。 ## 环境部署 基于Python3和Keras2(TensorFlow后端),具体依赖安装如下(推荐使用conda或者venv虚拟环境) - `git clone https://github.com/luanshiyinyang/ExpressionRecognition.git` - `cd ExpressionRecognition` - `pip install -r requirements.txt` ## 数据准备 数据集和预训练模型均已经上传到百度网盘,[链接](https://pan.baidu.com/s/1LFu52XTMBdsTSQjMIPYWnw)给出,提取密码为2pmd。 ## 项目说明 1. 传统方法 - 数据预处理 - 图片降噪 - 人脸检测 - HAAR分类器检测(opencv) - 特征工程 - 人脸特征提取 - LBP - Gabor - 分类器 - SVM 2. 深度方法 - 数据预处理 - 人脸检测 - HAAR分类器 - MTCNN(效果更好) - 卷积神经网络 - 用于特征提取+分类 ## 网络设计 使用经典的卷积神经网络,模型的构建主要参考2018年CVPR几篇论文以及谷歌的Going Deeper设计如下网络结构,输入层后加入(1,1)卷积层增加非线性表示且模型层次较浅,参数较少(大量参数集中在全连接层)。   ## 模型训练 主要在FER2013、JAFFE、CK+上进行训练,JAFFE给出的是半身图因此做了人脸检测。最后在FER2013上Pub Test和Pri Test均达到67%左右准确率(该数据集爬虫采集存在标签错误、水印、动画图片等问题),JAFFE和CK+5折交叉验证均达到99%左右准确率(这两个数据集为实验室采集,较为准确标准)。 训练过程见train.ipynb文件  ## 模型应用 与传统方法相比,卷积神经网络表现更好,使用该模型构建识别系统,提供GUI界面和摄像头实时检测(摄像必须保证补光足够)。预测时对一张图片进行水平翻转、偏转15度、平移等增广得到多个概率分布,将这些概率分布加权求和得到最后的概率分布,此时概率最大的作为标签。 注意,**GUI预测只显示最可能是人脸的那个表情,但是对所有检测到的人脸都会框定预测结果并在图片上标记,标记后的图片在results目录下**。 - GUI界面 - 运行scripts下的gui.py即可(图片来自百度,侵删。) - 效果图 -  -  - 实时检测 - 运行scripts下的recognition_camera.py即可 - 效果图(图片来自百度,侵删。) - 演示不便 ## 补充说明 具体项目代码、数据集、模型已经开源于我的Github,欢迎Star或者Fork。

近期下载者：

相关文件：

评论：[我要评论] [举报此文件]

收藏者：