casme2数据集训练的微表情识别MicroExpressionRecognition，支持摄像头、图片视频检测(Python)

# MicroExpressionRecognition 使用casme2数据集训练的微表情识别MicroExpressionRecognition，支持摄像头、图片视频检测。 同时支持其他表情情绪识别数据集  ### 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 ### 模型权重 casme2数据集训练的模型权重： 链接：https://pan.baidu.com/s/1nGRJRNc3EzSiVfrBnSPMkg 提取码：klv1 也可自己申请数据集训练模型。 ### 预测步骤 1. 按照训练步骤训练。 2. 在classification.py文件里面，在如下部分修改model_path、classes_path、backbone和alpha使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值**。 3. recognition_camera.py 调用系统摄像头完成实时识别人脸微表情 4. recognition_video.py 视频检测 5. recognition_img.py 图片检测 ### 训练步骤 1. datasets文件夹下存放的图片分为两部分，train里面是训练图片，test里面是测试图片。 2. 在训练之前需要首先准备好数据集，在train或者test文件里里面创建不同的文件夹，每个文件夹的名称为对应的类别名称，文件夹下面的图片为这个类的图片。 3. 在准备好数据集后，需要在根目录运行txt_annotation.py生成训练所需的cls_train.txt，运行前需要修改其中的classes，将其修改成自己需要分的类。 4. 之后修改model_data文件夹下的cls_classes.txt，使其也对应自己需要分的类。 5. 在train.py里面调整自己要选择的网络和预权重后，就可以开始训练了！ 6. 预训练权重： ``` VGG-16：model_data/vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5 mobilenet：model_data/mobilenet_2_5_224_tf_no_top.h5 ``` 8. 数据参考格式 ``` |-datasets |-train |-disgust |-123.jpg |-234.jpg |-fear |-345.jpg |-456.jpg |-... |-test |-disgust |-567.jpg |-678.jpg |-fear |-789.jpg |-890.jpg |-... ``` ### 评估步骤 1. datasets文件夹下存放的图片分为两部分，train里面是训练图片，test里面是测试图片，在评估的时候，我们使用的是test文件夹里面的图片。 2. 在评估之前需要首先准备好数据集，在train或者test文件里里面创建不同的文件夹，每个文件夹的名称为对应的类别名称，文件夹下面的图片为这个类的图片。 3. 在准备好数据集后，需要在根目录运行txt_annotation.py生成评估所需的cls_test.txt，运行前需要修改其中的classes，将其修改成自己需要分的类。 4. 之后在classification.py文件里面修改如下部分model_path、classes_path、backbone和alpha使其对应训练好的文件；**model_path对应logs文件夹下面的权值文件，classes_path是model_path对应分的类，backbone对应使用的主干特征提取网络，alpha是当使用mobilenet的alpha值**。 5. 运行eval_top1.py和eval_top5.py来进行模型准确率评估。 ### Reference https://github.com/keras-team/keras-applications https://github.com/bubbliiiing/classification-keras