ExpressionRecognition-master_人脸识别_facerecognition_python人脸识别_CK+

# 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。