基于深度学习的人脸表情识别

最新推荐文章于 2024-04-12 22:17:44 发布
最新推荐文章于 2024-04-12 22:17:44 发布
阅读量2.6k 收藏 43
点赞数 3
分类专栏： Keras 深度学习 文章标签： keras深度学习 人脸表情识别
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_20659287/article/details/91044033
版权
本文介绍了使用Keras进行人脸表情识别的项目，数据集来源于Fer2013，通过数据预处理、模型构建（4层卷积+3层池化+3层全连接），并利用ImageDataGenerator进行数据增强。模型在测试集达到76%的准确率，但disgust类别预测效果不佳，推测可能是数据不平衡导致。
摘要由CSDN通过智能技术生成

写在前面：

这是一门课程的作业！！！
人脸表情识别，训练数据使用的是Kaggle比赛的Fer2013数据集，框架使用的是Keras哈~

fer2013数据集下载：
链接：https://pan.baidu.com/s/1QKpc5ZhXSBjeHRDas1vnng
提取码：0cbz

opencv中自带的人脸识别：
haarcascade_frontalface_alt.xml + haarcascade_frontalface_default.xml
链接：https://pan.baidu.com/s/1WneMWNXzr4KDU3pegKIX_w
提取码：21eu

项目环境

pycharm2018.3.5 + anaconda5.3.1（python3.7.0） + keras2.2.4 + tensorflow1.13.1 + opencv-python3.4.2

实验过程

主要分为3步：数据集的处理、模型的构建及训练、预测。

一.数据集的处理

1、下载fer2013数据集后，打开如下：
csv文件
emotion：表示7个表情类别&#x

最低0.47元/天 解锁文章
慢慢慢慢曼
关注
专栏目录
基于深度学习的人脸表情识别（天津大学硕士学位论文）
笔记本
02-03 1万+
《基于深度学习的人脸表情识别》吕亚丹（天津大学硕士学位论文）目录目录 摘要 1 人脸表情识别模块组成 2 论文使用方法 绪论 1 研究背景 2 研究现状 3 面临挑战 系统结构及特征分析 1 系统结构 2 表情图像预处理0 摘要.1 人脸表情识别模块组成.2 论文使用方法 基本思路：利用 人脸解析器 提取在表情识别中 起关键作用的器官 进行识别表情识别。 依据：人脸不同部位包含的表情信息量不同；优势
基于深度学习的人脸表情识别系统
2301_76571270的博客
06-23 1577
从混淆矩阵中可以看出，生气（Angry）、厌恶（Disgust）、恐惧（Fear）、高兴（Happiness）、悲伤（Sadness）、惊讶（Surprise）及正常（Neutral）这7种表情在测试集的准确率依次为67%、67%、56%、92%、61%、82%及73%，最终可以计算出在整个测试集上Mini-Xception模型的准确率为71.14%，具有更加准确的效果。其实就是基于对人脸特征的描述，分类器根据训练的样品数据进行训练，完成后即可感知读取到的图片上的特征，进而对图片进行人脸识别。
【深度学习】基于pytorch的FER2013人脸表情图像识别(ResNet/VGG/DenseNet)
m0_53700832的博客
06-17 1万+
本次实验的基本要求部分，我构建了ResNet分类模型18层，在FER2013数据集上达到了65%左右的分类精度；改进方面，我增加了ResNet-20/34/50进行分类并分析了结果及原因；优化方面，我是用了DenseNet-121和VGG-19与ResNet进行对比实验，并加入多种网络优化与正则化方法，最终DenseNet-121达到了最高的分类精度（接近74%），这也验证了DenseNet可以视为ResNet的改进版本。所有实验均在MindSpore与pytorch双平台完成。
基于深度学习的人脸面部表情识别系统【含Python源码+PyqtUI界面+原理详解】
热门推荐
阿旭的博客
06-27 1万+
基于深度学习的人脸面部表情识别系统【含Python源码+PyqtUI界面+原理详解】
基于深度学习的人脸表情识别（Tensorflow的模型和权重）
04-13
TensorFlow|基于深度学习的人脸表情识别系统 模型权重和模型结构，因GItHub不支持25MB以上的文件，因此上传在此处，如果急用可以在此下载，作为对我工作的一些支持 如果不急用可以在下方留下邮箱，我在看博客的时候会回复，但会有一段时间的延迟
基于深度学习的人脸表情识别实现
飞奔的菜猪的博客
05-02 1万+
1. 前言 关于人脸识别，其实我一直以来做过蛮多的项目，有些是整理出帖子了，有些是没有整理出，因为学业比较繁重，所以也是断断续续的来整理。最近刚好是五一假期，也出不去，就想着来整理一篇关于人脸表情识别的文章。这是可以既可以识别人的身份，还可以识别出人的表情出来，如开心、悲伤等基本情绪。 2. 相关工作 依我比较有限的知识来说的话，无论是人脸识别还是表情识别，亦或是把两者结合起来，也就是本文要实现的人脸+表情识别任务，其本质都是分类任务。关于人脸识别，我之前分别实现了不戴口罩和戴口罩的识别任务，具体可参
基于深度学习的人脸表情识别系统（PyQT+代码+训练数据集）
Matataya的博客
04-12 3644
本项目是基于深度学习网络模型的人脸表情识别系统，核心采用CNN卷积神经网络搭建，详述了数据集处理、模型构建、训练代码、以及基于PyQt5的应用界面设计。在应用中可以支持图像、视频和实时摄像头进行人脸表情识别。
基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip
12-11
基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别（Tensorflow的模型和权重）.zip基于深度学习的人脸表情识别...
基于深度学习的人脸表情识别.pdf
08-19
总的来说，基于深度学习的人脸表情识别在技术上已经取得了显著的进步，并且在多个应用领域显示出其强大的潜力。随着深度学习理论和技术的进一步发展，未来的人脸表情识别技术将会更加智能化、准确化和高效化。
基于深度学习的表情识别系统
08-21
表情识别系统；所用平台windows10+Anaconda4.2.0(自带python3.5)-tensorflow1.2.1(cpu)-keras2.1.3+opencv-python3.4.0;所用网络，卷积神经网络包含了搭建网络的代码；由于文件大于240M，就上传到了自己的网盘中；此次作品为中国大学生计算机设计大赛作品，点击作品文件夹中的GUI1.EXE就可观看作品效果（电脑必须为64位）；源代码在素材源码文件夹中；请下载链接文件，去网盘中下载
基于深度学习的面部表情识别研究
04-06
深度学习在语音识别、图像理解等许多应用领域取得了突破性成果。针对基于深度学习的静态 人脸图像表情识别方法进行研究，首先介绍了深度学习的原理，并归纳了目前公开且常用的面部表情数据集；然后 介绍了基于深度学习的表情识别的三个步骤，归纳了图像预处理和表情分类的主要方法，重点总结了目前性能较好 用来提取特征的深度学习框架以及这些方法的基本原理和优劣势比较；最后指出了目前面部表情识别存在的问题和 未来可能的发展趋势。
深度学习的表情识别
12-25
基于深度学习的表情识别，内含基于cv2的人脸检测分类器，以及训练好的模型，能识别检测出七种人脸表情。
深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型（人脸面部表情识别项目）.zip文件
06-29
PyTorch实现基于深度学习卷积神经网络的面部表情识别项目具有以下特色： 1. 灵活性：PyTorch是一个动态图深度学习框架，具有动态图的特点，可以在运行时进行动态的计算图构建和修改。这使得开发者可以更加灵活地...
基于深度学习的人脸识别和表情识别设计
01-08
在现代计算机视觉领域，基于深度学习的人脸识别和表情识别已经成为一种重要的技术，广泛应用于安全监控、社交媒体分析、人机交互等场景。本项目“基于深度学习的人脸识别和表情识别设计”旨在利用TensorFlow这一强大...
基于深度学习的人脸表情识别系统代码+文档说明（python毕业设计）.zip
最新发布
09-13
基于深度学习的人脸表情识别系统代码+文档说明（python毕业设计）.zip，含有代码注释，新手也可看懂。毕业设计、期末大作业、课程设计、高分必看，下载下来，简单部署，就可以使用。该项目可以作为毕设、课程设计...
[源码和文档分享]基于Keras和tensorflow深度学习Python实现的支持人脸识别和情绪分类的社区APP网站和微信小程序...
12-08 378
1 项目介绍 1.1 背景 视觉使人类得以感知和理解周边的世界，人的大脑皮层大约有 70%的活动在处理 视觉相关信息。计算机视觉即通过电子化的方式来感知和理解影像，以达到甚至超 越人类视觉智能的效果。 从 1966 年学科建立（MIT：TheSummerVisionProject）至今，尽管计算机视觉在 感知与认知智能方向仍有大量难以解决、尚待探索的问题，但...
基于深度学习人脸表情识别特征提取
06-05
基于深度学习的人脸表情识别通常涉及几个关键步骤，其中特征提取是至关重要的。深度学习在这方面的优势在于自动学习到高级的、抽象的表情特征，而无需手动设计特征。这里是一个简要的介绍： 1. 数据预处理：首先，对人脸图像进行标准化，包括归一化、裁剪和大小调整，以便输入到深度学习模型。 2. 特征提取网络（如卷积神经网络CNN）：深度学习模型，比如VGG、ResNet或更先进的FaceNet、OpenFace等，被用于从原始图像中提取表达特征。这些网络逐层学习低级到高级的视觉特征，如边缘、纹理和面部结构。 3. 池化层：帮助减小数据维度并保留重要信息，比如最大池化或平均池化。 4. 表情表示：最后几层的输出通常被映射到一个表情空间，这个空间中的点代表不同的情绪状态，例如愤怒、快乐、悲伤等。 5. 循环神经网络（RNN）或注意力机制：在某些情况下，会用RNN来捕捉时间序列的动态信息，比如视频中的连续表情变化。 6. 识别阶段：提取的特征经过全连接层和softmax分类器，预测出最可能的表情类别。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值