基于keras框架深度学习神经网络七种表情识别系统源码（结合深度学习人脸检测来增加多人表情模式）

 第一步：准备数据

fer2013公开数据，原数据有七种表情，在解析和读取数据的时候，本文选择了七种表情（"愤怒", "厌恶", "害怕", "高兴", "悲伤", "惊讶", "中性"）做为训练和识别

第二步：搭建模型

本文选择XCEPTION，为了兼顾速度，在实际应用的时候，对网络进行剪纸，具体可以参考代码，其网络结构如下：

 由于是七分类问题，直接套用网络肯定是不行，因此会在全连接部分做手脚，参考代码如下：

    x = Conv2D(num_classes, (3, 3),
            #kernel_regularizer=regularization,
            padding='same')(x)
    x = GlobalAveragePooling2D()(x)
    output = Activation('softmax',name='predictions')(x)

    model = Model(img_input, output)
    return model

第三步：训练代码

1）损失函数为：交叉熵损失函数

2）从头训练代码：

# 构建模型
model = mini_XCEPTION(input_shape, num_classes)
model.compile(optimizer='adam', # 优化器采用adam
              loss='categorical_crossentropy', # 多分类的对数损失函数
              metrics=['accuracy'])
model.summary()

第四步：整个算法流程

        一般来说做表情识别有两种方式，第一种端到端yolo目标检测做的，比如我的博客链接：基于深度学习神经网络YOLOv5目标检测的人脸表情识别系统_yolo 表情识别-CSDN博客，第二种方式是先进行人脸检测，然后再送到分类网络，比如我的博客链接：基于keras框架深度学习神经网络七种表情识别系统源码（结合注意力机制模块）-CSDN博客，但这里的人脸检测模块是用haarcascade，传统算法做的，很明显，检测人脸的准确率不高，因此多人模式下的表情识别，效果更不加。因此本文增加用深度学习做人脸检测的模块，用到的是centerface，它的网络结构图如下：

第五步：搭建GUI界面

第六步：整个工程的内容

有训练代码和训练好的模型以及训练过程，提供数据，提供GUI界面代码，主要使用方法可以参考里面的“文档说明_必看.docx”

代码的下载路径（新窗口打开链接）：基于keras框架深度学习神经网络七种表情识别系统源码（结合深度学习人脸检测来增加多人表情模式）

​

有问题可以私信或者留言，有问必答