tensorflow 表情识别1

2018年06月15日 14:41:17

阅读数：403

此次分享的项目是利用tensorflow构建一个CNN网络来对fer2013数据集进行训练以实现面部表情识别的小项目。

首先，我们需要现在官网上下载fer2013数据集，将数据集进行解压，会生成一个fer2013.csv文件，我们首先要对这个.csv文件进行简单的处理。

fer2013数据集将表情大致分为7类，fer2013.csv中分别标注了每张图片的标签，特征值和分类。我们首先根据分类将数据集划分为train, test和val。

1. # 项目数据集使用了表情识别的fer2013数据集

2. # 该数据集下载下来是.csv格式，需要先对数据集进行分割，得到train.csv, test.csv, val.csv

3. import csv

4. import os

5.  
6.  

7. database_path = ' '#数据集的路径

8. datasets_path = 'D:/fer2013'

9. #将路径组合后返回

10. csv_file = os.path.join(database_path, 'fer2013.csv')

11. train_csv = os.path.join(datasets_path, 'train.csv')

12. val_csv = os.path.join(datasets_path, 'val.csv')

13. test_csv = os.path.join(datasets_path, 'test.csv')

14.  
15.  

16. with open(csv_file) as f:

17. #使用csv中的reader()打开.csv文件

18. csvr = csv.reader(f)

19. #将迭代器指向文件的第二行，第一行为标签

20. header = next(csvr)

21. rows = [row for row in csvr]

22. #按最后一列的标签将数据集进行分割

23. trn = [row[:-1] for row in rows if row[-1] == 'Training']

24. csv.writer(open(train_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + trn)

25. print(len(trn))

26.  

27. val = [row[:-1] for row in rows if row[-1] == 'PublicTest']

28. csv.writer(open(val_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + val)

29. print(len(val))

30.  

31. tst = [row[:-1] for row in rows if row[-1] == 'PrivateTest']

32. csv.writer(open(test_csv, 'w+'), lineterminator='\n').writerows([header[:-1]] + tst)

33. print(len(tst))

之后，我们需要将根据其特征值将其还原为48*48的灰度图像：

1. #将.csv文件还原为48*48的8位灰度图

2. import csv

3. import os

4. from PIL import Image

5. import numpy as np

6.  
7.  

8. datasets_path = 'D:/fer2013'

9. train_csv = os.path.join(datasets_path, 'train.csv')

10. val_csv = os.path.join(datasets_path, 'val.csv')

11. test_csv = os.path.join(datasets_path, 'test.csv')

12.  

13. train_set = os.path.join(datasets_path, 'train')

14. val_set = os.path.join(datasets_path, 'val')

15. test_set = os.path.join(datasets_path, 'test')

16.  

17. for save_path, csv_file in [(train_set, train_csv), (val_set, val_csv), (test_set, test_csv)]:

18. if not os.path.exists(save_path):

19. os.makedirs(save_path)

20.  

21. num = 1

22. with open(csv_file) as f:

23. csvr = csv.reader(f)

24. header = next(csvr)

25. #使用enumerate遍历csvr中的标签(label)和特征值（pixel)

26. for i, (label, pixel) in enumerate(csvr):

27. #将特征值的数组转化为48*48的矩阵

28. pixel = np.asarray([float(p) for p in pixel.split()]).reshape(48, 48)

29. subfolder = os.path.join(save_path, label)

30. if not os.path.exists(subfolder):

31. os.makedirs(subfolder)

32. #将该矩阵转化为RGB图像，再通过convert转化为8位灰度图像，L指灰度图模式，L=R*299/1000+G*587/1000+B*114/1000

33. im = Image.fromarray(pixel).convert('L')

34. image_name = os.path.join(subfolder, '{:05d}.jpg'.format(i))

35. print(image_name)

36. im.save(image_name)

在这之后，我们就可以对数据集构建batch和CNN网络对其进行训练了。