图像处理——人脸情绪识别（python卷积神经网络）

已于 2024-06-07 09:30:33 修改
阅读量1.7w 收藏 351
点赞数 41
文章标签： python 深度学习 机器学习 人脸识别
于 2021-08-09 10:39:03 首次发布
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/weixin_45956028/article/details/119530177
版权

文章目录

前言

项目基于科大讯飞和Datawhale的一个小比赛，模型效果一般，可以给初次接触的朋友提供一些图像处理的思路，项目做完后查阅了其他有关情绪识别的思路，在GitHub上作者priya-dwivedi也有类似项目，处理过程大部分一致，附在文末。
环境：python3.8、tensorflow2.3
pytorch版本请看文末

一、项目背景

人脸表情是传播人类情感信息与协调人际关系的重要方式，表情识别是指从静态照片或视频序列中选择出表情状态，从而确定对人物的情绪与心理变化。在日常生活中人类习惯从面部表情中吸收非言语暗示，那么计算机可以完成类似任务吗？答案是肯定的，但是需要训练它学会识别情绪。
在这里插入图片描述

二、项目任务

给定人脸照片完成具体的情绪识别，选手需要根据训练集数据构建情绪识别任务，并对测试集图像进行预测，识别人脸的7种情绪。

三、数据说明

赛题数据由训练集和测试集组成，训练集数据集按照不同情绪的文件夹进行存放。其中：

   训练集：2.8W张人脸图像；

   测试集：7K张人脸图像；

为了简化任务赛题图像只包含单张人脸，所有图像的尺寸为48*48像素。数据集包括的情绪标签包括以下7类：

   angry

   disgusted

   fearful

   happy

   neutral

   sad

   surprised

四、项目步骤

1.图片基本情况查看

完整项目下载链接：https://pan.baidu.com/s/1w72PobVwMfVCnrjRLOh4Sg
提取码：ssmb
文件目录👇
在这里插入图片描述
在这里插入图片描述

# 有些代码可以正常运行但是会提示警告，使用filterwarnings过滤
import warnings     
warnings.filterwarnings('ignore')

import os
angry_dir = os.path.join('./train/angry/')
disgusted_dir = os.path.join('./train/disgusted/')
fearful_dir = os.path.join('./train/fearful/')
happy_dir = os.path.join('./train/happy/')
neutral_dir = os.path.join('./train/neutral/')
sad_dir = os.path.join('./train/sad/')
surprised_dir = os.path.join('./train/surprised/')

print('total training angry images:', len(os.listdir(angry_dir)))
print('total training disgusted images:', len(os.listdir(disgusted_dir)))
print('total training fearful images:', len(os.listdir(fearful_dir)))
print('total training happy images:', len(os.listdir(happy_dir)))
print('total training neutral images:', len(os.listdir(neutral_dir)))
print('total training sad images:', len(os.listdir(sad_dir)))
print('total training surprised images:', len(os.listdir(surprised_dir)))
print('total training images:',len(os.listdir(angry_dir))+len(os.listdir(disgusted_dir))+len(os.listdir(fearful_dir))+
     len(os.listdir(happy_dir))+len(os.listdir(neutral_dir))+len(os.listdir(sad_dir))+len(os.listdir(surprised_dir)))

在这里插入图片描述

angry_files = os.listdir(angry_dir)
print('angry:',angry_files[:5])

disgusted_files = os.listdir(disgusted_dir)
print('disgusted:',disgusted_files[:5])

fearful_files = os.listdir(fearful_dir)
print('fearful:',fearful_files[:5])

happy_files = os.listdir(happy_dir)
print('happy:',happy_files[:5])

neutral_files = os.listdir(neutral_dir)
print('neutral:',neutral_files[:5])

sad_files = os.listdir(sad_dir)
print('sad:',sad_files[:5])

surprised_files = os.listdir(surprised_dir)
print('surprised:',surprised_files[:5])

在这里插入图片描述

import matplotlib.pyplot as plt
import cv2
%matplotlib inline

pic_index = 1

next_angry = [os.path.join(angry_dir,fname) for fname in angry_files[pic_index-1 : pic_index]]
next_happy = [os.path.join(happy_dir,fname) for fname in happy_files[pic_index-1 : pic_index]]
next_disgusted = [os.path.join(disgusted_dir,fname) for fname in disgusted_files[pic_index-1 : pic_index]]
next_fearful = [os.path.join(fearful_dir,fname) for fname in fearful_files[pic_index-1 : pic_index]]
next_neutral = [os.path.join(neutral_dir,fname) for fname in neutral_files[pic_index-1 : pic_index]]
next_sad = [os.path.join(sad_dir,fname) for fname in sad_files[pic_index-1 : pic_index]]
next_surprised = [os.path.join(surprised_dir,fname) for fname in surprised_files[pic_index-1 : pic_index]]

for i, img_path in enumerate(next_angry+next_happy+next_disgusted+next_fearful+next_neutral+next_sad+next_surprised):
    img = cv2.imread(img_path)
    plt.figure(figsize = (1, 1))
    plt.imshow(img)
    plt.axis('Off')
    plt.title(str(img_path).split('/')[2])
    plt.show()
print(img.shape)

在这里插入图片描述

2.图片处理

from keras_preprocessing.image import ImageDataGenerator 
# ImageDataGenerator()是图片生成器，同时也可以在batch中对数据进行增强，扩充数据集大小，增强模型的泛化能力。比如进行旋转，变形，归一化等等

TRAINING_DIR = './train/'
training_datagen = ImageDataGenerator(
    rescale=1. / 255,  # 值将在执行其他处理前乘到整个图像上
    validation_split=0.25,  # 数据集划分
#     rotation_range=40,  # 整数，数据提升时图片随机转动的角度
#     width_shift_range=0.2,  # 浮点数，图片宽度的某个比例，数据提升时图片随机水平偏移的幅度
#     height_shift_range=0.2,  # 浮点数，图片高度的某个比例，数据提升时图片随机竖直偏移的幅度
#     shear_range=0.2,  # 浮点数，剪切强度（逆时针方向的剪切变换角度）。是用来进行剪切变换的程度
#     zoom_range=0.2,  # 用来进行随机的放大
#     horizontal_flip=True,  # 布尔值，进行随机水平翻转。随机的对图片进行水平翻转，这个参数适用于水平翻转不影响图片语义的时候
#     fill_mode='nearest'  # 'constant','nearest','reflect','wrap'之一，当进行变换时超出边界的点将根据本参数给定的方法进行处理
)

# flow_from_directory()以文件夹路径为参数,生成经过数据提升/归一化后的数据,在一个无限循环中无限产生batch数据
train_generator = training_datagen.flow_from_directory(    
    TRAINING_DIR,
    subset='training',
    target_size=(48, 48),
    class_mode='categorical'          #  "categorical", "binary", "sparse"或None之一
)
# 由于没有验证集文件夹，所以划分了训练集的25%作为验证集
validation_generator = training_datagen.flow_from_directory(
    TRAINING_DIR,
    subset='validation',
    target_size=(48, 48),
    class_mode='categorical'
)
print(train_generator.class_indices)

在这里插入图片描述

3.模型构建

import tensorflow as tf

print(tf.__version__)

在这里插入图片描述

model = tf.keras.models.Sequential([

    tf.keras.layers.Conv2D(32, (3, 3), activation='relu', input_shape=(48, 48, 3)),  # 卷积
    tf.keras.layers.MaxPooling2D(2, 2),   # 池化

    tf.keras.layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积
    tf.keras.layers.MaxPooling2D(2, 2),   # 池化

    tf.keras.layers.Conv2D(128, (3, 3), activation='relu'),  # 卷积
    tf.keras.layers.MaxPooling2D(2, 2),   # 池化

    tf.keras.layers.Flatten(),
    tf.keras.layers.Dense(1024, activation='relu'),  # 全连接
    tf.keras.layers.Dropout(0.5),  # 一种防止神经网络过拟合的手段
    tf.keras.layers.Dense(7, activation='softmax')
])
model.summary()

在这里插入图片描述

4.模型训练

from keras.callbacks import ModelCheckpoint

# HDF5 文件一般以 .h5 或者 .hdf5 作为后缀名
model_checkpoint = ModelCheckpoint('./model/face_classify4.h5', 
                                   monitor='loss',         # monitor：'val_acc'|'loss'|'val_loss'|'acc'
                                   verbose=1,              # 如果你喜欢进度条,那就选1,如果喜欢清爽的就选0
                                   mode='min',             # 如果监视器monitor选val_acc, mode就选'max'|如果monitor选acc,mode也可以选'max'|如果monitor选loss,mode就选'min'，一般情况下选'auto',
                                   period=1,               # checkpoints之间间隔的epoch数
                                   save_weights_only=False,# 若设置为True，则只保存模型权重，否则将保存整个模型（包括模型结构，配置信息等）
                                   save_best_only=True)    # 只保存最好的模型,也可以都保存

model.compile(loss='categorical_crossentropy', optimizer='Adam', metrics=['accuracy'])  # optimizer参考：https://www.cnblogs.com/GeekDanny/p/9655597.html

history = model.fit_generator(train_generator, epochs=30, validation_data=validation_generator, verbose=1, callbacks=[model_checkpoint])

# model.save('./model/face_classify4.h5')  # keras的模型一般保存为后缀名为h5的文件，上面已经存了

在这里插入图片描述
补充知识点！(save()和save_weights()的区别)

引用：https://blog.csdn.net/leviopku/article/details/86612293

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MasqbYw6-1628473290150)(attachment:image.png)]
使用save_weights()保存的模型不能直接load_model，应该重新把模型结构再描述一遍

acc = history.history['accuracy']
val_acc = history.history['val_accuracy']
loss = history.history['loss']
val_loss = history.history['val_loss']

epochs = range(len(acc))

plt.plot(epochs, acc, 'r', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='validation accuracy')
plt.title('Training and validation accuracy')
plt.legend(loc=0)
plt.show()

在这里插入图片描述

5.验证集验证模型效果

from keras.models import load_model

model = load_model('./model/face_classify4.h5')

#Confution Matrix and Classification Report
Y_pred = model.predict_generator(validation_generator, nb_validation_samples // batch_size+1)  # batch_size = 512
y_pred = np.argmax(Y_pred, axis=1)

print('Confusion Matrix')
print(confusion_matrix(validation_generator.classes, y_pred))
print('Classification Report')
target_names = list(class_labels.values())
print(classification_report(validation_generator.classes, y_pred, target_names=target_names))

plt.figure(figsize=(8,8))
cnf_matrix = confusion_matrix(validation_generator.classes, y_pred)

plt.imshow(cnf_matrix, interpolation='nearest')
plt.colorbar()
tick_marks = np.arange(len(classes))
_ = plt.xticks(tick_marks, classes, rotation=90)
_ = plt.yticks(tick_marks, classes)

在这里插入图片描述
在这里插入图片描述

6.使用模型进行预测

from keras.models import load_model
import pandas as pd
import numpy as np
from tqdm import tqdm  # 进度条
from keras.preprocessing import image

# 在模型训练过程中使用了ModelCheckpoint来保存最优参数的模型，好像使用load_model和load_weights都行
model = load_model("./model/face_classify4.h5")   # keras.models.load_model() 读取网络、权重
# model.load_weights('./model/face_classify4.h5')  # keras.models.load_weights() 仅读取权重，load_model代码包含load_weights的代码，
                                                    # 区别在于load_weights时需要先有网络，
                                                    # 并且load_weights需要将权重数据写入到对应网络层的tensor中。

dataframe = pd.DataFrame(columns=['name','label'])
os.chdir('./test/')   # 原 D:\\python\\情绪识别

for file_name in tqdm(os.listdir()):
    img = image.load_img(file_name,target_size=(48,48))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    images = np.vstack([x])
    classes = model.predict(images, batch_size=10)
    num = np.argmax(classes)

    if num == 0:   # {'angry': 0, 'disgusted': 1, 'fearful': 2, 'happy': 3, 'neutral': 4, 'sad': 5, 'surprised': 6}
        face = 'angry'
    if num == 1:
        face = 'disgusted'
    if num == 2:
        face = 'fearful'
    if num == 3:
        face = 'happy'
    if num == 4:
        face = 'neutral'
    if num == 5:
        face = 'sad'
    if num == 6:
        face = 'surprised'
    dataframe = dataframe.append({'name':file_name,'label':face},ignore_index=True)

dataframe.to_csv('../result/submit4.csv',index=False)

在这里插入图片描述

总结

做完了项目不容易，也尝试去提高了模型准确度，欢迎各位交流，也可以提供我一些指导。提到了priya-dwivedi的情绪检测项目，她训练的是一个六层卷积神经网络模型，GitHub地址：https://github.com/priya-dwivedi/face_and_emotion_detection，我也做了该项目的解读，链接地址：https://blog.csdn.net/weixin_45956028/article/details/119537657。
个人认为图像处理过程：

Created with Raphaël 2.3.0 开始 图片查看 图片预处理 模型构建 模型训练 模型性能度量 预测 结束

pytorch版本实现，完整过程请直接进入网盘下载：
链接：https://pan.baidu.com/s/1v79Xzcb8FpFxI7EjWjwOpQ?pwd=1234
提取码：1234

class EmotionClassifier(nn.Module):
    def __init__(self):
        super(EmotionClassifier, self).__init__()
        self.conv1 = nn.Conv2d(1, 32, 3, padding=1)  # 增加卷积核数量，减小核大小
        self.conv2 = nn.Conv2d(32, 64, 3, padding=1)
        self.conv3 = nn.Conv2d(64, 128, 3, padding=1)
        self.pool = nn.MaxPool2d(2, 2)
        self.fc1 = nn.Linear(128 * 6 * 6, 256)  # 增加全连接层的神经元数量
        self.fc2 = nn.Linear(256, 7)  # 输出层保持不变
        self.dropout = nn.Dropout(0.5)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = self.pool(F.relu(self.conv3(x)))
        x = x.view(-1, 128 * 6 * 6)
        x = F.relu(self.fc1(x))
        x = self.dropout(x)
        x = self.fc2(x)
        return x

调整了数据训练与测试集后，训练更多轮结果：
在这里插入图片描述

在这里插入图片描述

机智的小神仙儿
关注
  • 41
    点赞
  • 踩
  • 351
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 20
    评论
专栏目录
Python——基于OpenCV的人脸数据、训练、识别.zip
01-16
此外，还可以使用深度学习方法，如卷积神经网络（CNNs）进行更高级别的特征学习，以提升人脸识别性能。 总的来说，Python和OpenCV结合为人脸识别提供了一个高效且灵活的平台。通过这个项目，你可以学习到如何从零...
基于卷积神经网络的人脸识别
06-15
这是基于cnn深度卷积神经网络算法的人脸识别程序代码，用的是Python
基于深度学习的人脸情绪识别检测系统（VGG、CNN、ResNet）
weixin_42380711的博客
09-20 7699
代码包括了人脸情绪识别模型训练版块，算法版块（CNN、VGG、ResNet）三种。有每一种算法的测试代码。其次，人脸情绪识别的训练数据有Kaggle和自行采集本地数据2种方式。有UI界面，实时检测人脸情绪变化，以及不同的人脸情绪百分比。
深度学习之基于Tensorflow识别人脸表情及情绪
最新发布
2301_79809972的博客
05-25 639
一、项目背景与意义人脸表情及情绪识别是计算机视觉领域的一个重要研究方向，它在人机交互、情感计算、智能监控等方面具有广泛的应用前景。通过自动识别人脸表情和情绪，系统可以更准确地理解人类的情感状态，从而提供更智能、更人性化的服务。随着深度学习技术的不断发展，基于卷积神经网络（CNN）的人脸表情及情绪识别方法取得了显著成果。本项目旨在利用TensorFlow深度学习框架，构建一个高效、准确的人脸表情及情绪识别系统。
计算机视觉在安全监控领域的应用：人脸识别与情绪识别
禅与计算机程序设计艺术
01-11 1055
1.背景介绍 安全监控在现代社会中扮演着越来越重要的角色，它帮助我们在很多方面提高了安全程度，例如公共场所、公司、军事基地等地方。然而，传统的安全监控系统只能通过视频监控和人工观察来实现，这种方法不仅效果不佳，而且人力成本高昂。随着计算机视觉技术的不断发展，人脸识别和情绪识别等技术已经成功地应用到安全监控领域，提高了系统的准确性和效率。 在这篇文章中，我们将从以下几个方面进行探讨： 背景介...
表情识别-情感分析-人脸识别（代码+教程）
阿利同学的博客
09-10 2734
情绪识别分类模型采用了定制的VGG13架构，专为64×64灰度图像设计。它使用具有最大池化和dropout的卷积层将图像分类为八个情绪类别，以防止过拟合。该架构开始于两个具有64个卷积核的卷积层，然后是最大池化和25%的dropout。额外的卷积层捕捉复杂的特征，两个具有1024个节点的密集层聚合信息，然后是50%的dropout。一个softmax输出层预测情绪类别。论文辅导，代码获取，作业辅助等联系我扣扣1309399183。
使用 CNN 进行面部情绪识别
深度学习与计算机视觉
05-17 1528
面部表情是人类之间交流的重要方式。在人工智能研究中，深度学习技术已成为增强人机交互的强大工具。心理学中面部表情和情绪的分析和评估涉及评估预测个人或群体情绪的决定。本研究旨在开发一种能够使用卷积神经网络（CNN）算法和特征提取技术预测和分类面部情绪的系统。该过程包括三个主要阶段：数据预处理、面部特征提取和面部情绪分类。通过采用卷积神经网络（CNN）算法，系统准确预测面部表情，成功率为62.66%。该...
基于python的人脸识别情绪分析系统
11-21
基于python的人脸识别情绪分析系统 加载人脸检测器：使用OpenCV库中的CascadeClassifier类加载人脸检测器，用于检测输入图像中的人脸。 加载情绪分类器：使用OpenCV库中的LBPHFaceRecognizer类加载情绪分类器，该分类器已经预先训练好了，可以直接用于预测输入人脸图像的情绪。 加载人脸图像和标签数据集：使用NumPy库中的loadtxt函数加载存储人脸图像和标签的数据集。这里假设每个样本包含一个179维的特征向量，以及一个对应的标签。 将标签转换为整数类型：使用numpy的astype函数将标签转换为整数类型，以便后续处理。 使用KMeans算法进行聚类：使用scikit-learn库中的KMeans类对人脸图像的标签进行聚类，得到6个情绪类别。 定义每个情绪的标签和中心点：根据聚类结果，定义每个情绪的标签和对应的中心点。 定义一个函数用于预测输入人脸图像的情绪：该函数首先将输入图像转换为灰度图像，并调整大小为160x160像素。然后使用人脸检测器检测人脸并获取人脸位置，截取人脸部分并转换为浮点数类型。接着使用情绪分类器进行预测，得到标签和概率。
FER 人脸情绪识别系统
weixin_51468604的博客
06-27 4195
一、主要的流程 二、主要步骤： 1.我们可以通过调用dlib这个库 使用特征提取器get_frontal_face_detector 以及使用训练好的特征预测器 从而得到dlib 的68点模型，为我们的情绪识别提供了很大帮助 # 使用特征提取器get_frontal_face_detector self.detector = dlib.get_frontal_face_detector() # dlib 的68点模型，使用训练好的特征预测器 self.predictor ...
Python 超简单实现人类面部情绪的识别
Python实用宝典网
05-16 6224
还记得我们之前写过一篇文章《手把手教你人脸识别自动开机》吗？里面用OpenCV对人脸进行简单的识别，让计算机训练认识到某个特定人物后识别对象。今天来做点高级的，识别出人脸的情绪。 本文分为两大部分： 1.面部检测：检测图像的脸部位置，输出边界框的坐标 2.情绪检测：将面部的情绪分为高兴、生气、悲伤、中性、惊讶、厌恶、恐惧。 一、面部检测 可以使用上次文章( 《手把手教你人脸识别自动开机》 )中讲到的方法—用openCV检测，也可以使用**face_recognition**项目非常简单地实现面部检测。 这里
面部情绪识别基础知识积累——背景
qq_23100417的博客
03-14 7509
本文主要记录了情感计算的发展，基本目标，核心，分类。然后简要介绍了Paul Ekman提出的面部情绪编码系统（Facial Action Coding System, FACS），这也是后来情绪识别研究的主要理论基础。最后介绍了两个比较成熟的面部姿态识别的工具箱。
OpenCV中的人脸属性分析和情绪识别技术
njhhuuuby的博客
07-17 883
接着，我们可以使用OpenCV提供的人脸关键点检测器来定位人脸的特征点，如眼睛、鼻子和嘴巴等。通过训练一个深度卷积神经网络，我们可以将人脸图像输入模型中，然后预测出人脸表达的情绪类别，如喜悦、愤怒、悲伤等。通过OpenCV提供的功能和算法，我们可以轻松实现人脸属性分析和情绪识别。实时应用和图像分析： 结合人脸属性分析和情绪识别，我们可以实现各种实时应用和图像分析。通过使用OpenCV提供的功能和算法，我们可以从人脸图像中提取属性信息，例如性别、年龄和情绪，并为实时应用和图像分析提供有价值的数据。
基于TensorFlow+CNN+fer2013实现的人脸表情识别源码+详细代码注释.zip
08-09
【项目介绍】 基于TensorFlow+CNN+fer2013实现的人脸表情识别源码+详细代码注释.zip 基于TensorFlow+CNN+fer2013实现的人脸表情识别源码+详细代码注释.zip 基于TensorFlow+CNN+fer2013实现的人脸表情识别源码+详细代码注释.zip 该资源内项目代码都是经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载使用，也适合小白学习进阶， 或者实际项目借鉴参考！ 当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。如果基础还行，也可在此代码基础上进行修改，以实现其他功能。
毕业设计-基于Python+卷积神经网络的人脸识别+驾驶员疲劳检测与预警系统的设计与实现+PyQt5 + OpenCV
06-24
毕业设计——基于Python+卷积神经网络的人脸识别+驾驶员疲劳检测与预警系统的设计与实现 开发技术环境： Pycharm + Python3.6 + PyQt5 + OpenCV + 卷积神经网络模型 本系统采用卷积神经算法对驾驶室内的驾驶员进行...
深度学习——人脸识别代码.rar
02-27
这个压缩包“深度学习——人脸识别代码.rar”很可能包含了一套用于人脸识别的完整代码实现，我们可以从多个角度来解析这个主题。 首先，人脸识别是计算机视觉中的一个重要任务，其目标是通过分析图像或视频流中的...
OpenCV-Python 4.5.4 人脸识别应用模型文件
12-05
这个快速识别模型可能是基于深度学习的，如卷积神经网络（CNN），经过大量的面部数据训练，以学习并区分不同的面孔特征。在OpenCV中，该模型可以用于验证或识别新捕获的面部图像，将其与预定义的面部数据库进行匹配...
人脸表情识别系统源码.zip
04-22
常用的一种方法是使用预训练的卷积神经网络（CNN）模型，例如VGGFace、FaceNet或OpenFace。这些模型在大规模人脸数据集上进行了训练，能够捕捉到面部表情的细微差异。我们可以将原始面部图像输入到这些模型中，通过...
人脸情绪识别（使用深度学习和OpenCV）
mx0390304的博客
04-15 3547
基于opencv与深度学习的人脸情绪识别系统
人脸表情识别和情绪分类 | Python+TensorFlow（框架）+Keras+PyQt5
Cat_South_North的博客
08-09 7857
基于Python的人脸表情识别及情绪分类（未写完） 参考学习文章：Keras|基于深度学习的人脸表情识别系统
基于图像的情绪识别算法
05-19
基于图像的情绪识别算法是通过分析人脸表情来判断人的情绪状态。常用的方法包括以下几个步骤： 1. 人脸检测：使用人脸检测算法，如Viola-Jones算法、Haar特征分类器等，从图像中定位出人脸区域。 2. 关键点检测：对于每个检测到的人脸，使用关键点检测算法，如基于形状模型的方法、基于深度学习的方法等，检测出人脸的关键点，如眼睛、嘴巴、眉毛等。 3. 表情识别：基于关键点的位置和形状，使用机器学习算法，如支持向量机（SVM）、卷积神经网络（CNN）等，对人的表情进行分类，如高兴、悲伤、愤怒等。 4. 结果输出：根据分类结果，输出对应的情绪状态。 基于图像的情绪识别算法在智能客服、情感分析、虚拟现实等领域有广泛的应用。但是，在实际应用中，该算法还存在一些问题，如光线条件的影响、人脸朝向的变化等，需要进一步研究和改进。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 20
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

打赏作者

机智的小神仙儿

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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