表情识别 订阅
表情识别是指从给定的静态图像或动态视频序列中分离出特定的表情状态,从而确定被识别对象的心理情绪。 展开全文
表情识别是指从给定的静态图像或动态视频序列中分离出特定的表情状态,从而确定被识别对象的心理情绪。
信息
目    的
人机交互
外文名
Expression recognition
类    型
计算机科学
中文名
表情识别
学    科
跨学科
性    质
识别
表情识别介绍
随着计算机技术和人工智能技术及其相关学科的迅猛发展,整个社会的自动化程度不断提高,人们对类似于人和人交流方式的人机交互的需求日益强烈。计算机和机器人如果能够像人类那样具有理解和表达情感的能力,将从根本上改变人与计算机之间的关系,使计算机能够更好地为人类服务。表情识别是情感理解的基础,是计算机理解人们情感的前提,也是人们探索和理解智能的有效途径。人脸表情识别是指从给定的静态图像或动态视频序列中分离出特定的表情状态 ,从而确定被识别对象的心理情绪,实现计算机对人脸表情的理解与识别 ,从根本上改变人与计算机的关系,从而达到更好的人机交互。 因此人脸表情识别在心理学、智能机器人、智能监控、虚拟现实及合成动画等领域有很大的潜在应用价值。
收起全文
精华内容
下载资源
问答
  • 摘要:这篇博文介绍基于深度卷积神经网络实现的人脸表情识别系统,系统程序由Keras, OpenCv, PyQt5的库实现,训练测试集采用fer2013表情库。如图系统可通过摄像头获取实时画面并识别其中的人脸表情,也可以通过读取...

    人脸表情识别介绍与演示视频(视频链接:https://www.bilibili.com/video/BV18C4y1H7mH/)


    图片展示

    摘要:这篇博文介绍基于深度卷积神经网络实现的人脸表情识别系统,系统程序由Keras, OpenCv, PyQt5的库实现,训练测试集采用fer2013表情库。如图系统可通过摄像头获取实时画面并识别其中的人脸表情,也可以通过读取图片识别,本文提供完整的程序文件并详细介绍其实现过程。博文要点如下:

    点击跳转至博文涉及的全部文件下载页
    链接:博主在面包多网站上的完整资源下载页

    图片展示

    1. 前言

        在这个人工智能成为超级大热门的时代,人脸表情识别已成为其中的一项研究热点,而卷积神经网络、深度信念网络和多层感知器等相关算法在人脸面部表情识别领域的运用最为广泛。面部的表情中包含了太多的信息,轻微的表情变化都会反映出人心理的变化,可想而知如果机器能敏锐地识别人脸中表达的情感该是多么令人兴奋的事。

        学习和研究了挺久的深度学习,偶然看到IEEE上面一篇质量很高的文章,里面介绍的是利用深度神经网络实现的面部表情识别,研读下来让我深受启发。于是自己动手做了这个项目,如今SCI论文已投稿,这里特此将前期工作作个总结,希望能给类似工作的朋友带来一点帮助。由于论文尚未公开,这里使用的是已有的模型——如今CNN的主流框架之mini_XCEPTION,该模型性能也已是不错的了,论文中改进的更高性能模型尚不便给出,后面会分享给大家,敬请关注。


    2. 表情识别数据集

        目前,现有的公开的人脸表情数据集比较少,并且数量级比较小。比较有名的广泛用于人脸表情识别系统的数据集Extended Cohn-Kanada (CK+)是由P.Lucy收集的。CK+数据集包含123 个对象的327 个被标记的表情图片序列,共分为正常、生气、蔑视、厌恶、恐惧、开心和伤心七种表情。对于每一个图片序列,只有最后一帧被提供了表情标签,所以共有327 个图像被标记。为了增加数据,我们把每个视频序列的最后三帧图像作为训练样本。这样CK+数据总共被标记的有981 张图片。这个数据库是人脸表情识别中比较流行的一个数据库,很多文章都会用到这个数据做测试,可通过下面的链接下载。
    官网链接:The Extended Cohn-Kanade Dataset(CK+)
    网盘链接:百度网盘下载(提取码:8r15

    图片展示

        KaggleKaggle人脸表情分析比赛提供的一个数据集。该数据集含28709 张训练样本,3859 张验证数据集和3859 张测试样本,共35887 张包含生气、厌恶、恐惧、高兴、悲伤、惊讶和正常七种类别的图像,图像分辨率为48×48。该数据集中的图像大都在平面和非平面上有旋转,并且很多图像都有手、头发和围巾等的遮挡物的遮挡。该数据库是2013年Kaggle比赛的数据,由于这个数据库大多是从网络爬虫下载的,存在一定的误差性。这个数据库的人为准确率是65%±5%
    官网链接:FER2013
    网盘链接:百度网盘下载(提取码:t7xj

    图片展示

        由于FER2013数据集数据更加齐全,同时更加符合实际生活的场景,所以这里主要选取FER2013训练和测试模型。为了防止网络过快地过拟合,可以人为的做一些图像变换,例如翻转,旋转,切割等。上述操作称为数据增强。数据操作还有另一大好处是扩大数据库的数据量,使得训练的网络鲁棒性更强。下载数据集保存在fer2013的文件夹下,为了对数据集进行处理,采用如下代码载入和进行图片预处理:

    import pandas as pd
    import cv2
    import numpy as np
    
    dataset_path = 'fer2013/fer2013/fer2013.csv' # 文件保存位置
    image_size=(48,48) # 图片大小
    
    # 载入数据
    def load_fer2013():
            data = pd.read_csv(dataset_path)
            pixels = data['pixels'].tolist()
            width, height = 48, 48
            faces = []
            for pixel_sequence in pixels:
                face = [int(pixel) for pixel in pixel_sequence.split(' ')]
                face = np.asarray(face).reshape(width, height)
                face = cv2.resize(face.astype('uint8'),image_size)
                faces.append(face.astype('float32'))
            faces = np.asarray(faces)
            faces = np.expand_dims(faces, -1)
            emotions = pd.get_dummies(data['emotion']).as_matrix()
            return faces, emotions
    
    # 将数据归一化
    def preprocess_input(x, v2=True):
        x = x.astype('float32')
        x = x / 255.0
        if v2:
            x = x - 0.5
            x = x * 2.0
        return x
    

        载入数据后将数据集划分为训练集和测试集,在程序中调用上面的函数代码如下:

    from load_and_process import load_fer2013
    from load_and_process import preprocess_input
    from sklearn.model_selection import train_test_split
    
    # 载入数据集
    faces, emotions = load_fer2013()
    faces = preprocess_input(faces)
    num_samples, num_classes = emotions.shape
    
    # 划分训练、测试集
    xtrain, xtest,ytrain,ytest = train_test_split(faces, emotions,test_size=0.2,shuffle=True)
    

    3. 搭建表情识别的模型

        接下来就是搭建表情识别的模型了,这里用到的是CNN的主流框架之mini_XCEPTIONXCEPTIONGoogleInception后提出的对Inception v3的另一种改进,主要是采用深度可分离的卷积(depthwise separable convolution)来替换原来Inception v3中的卷积操作。XCEPTION的网络结构在ImageNet数据集(Inception v3的设计解决目标)上略优于Inception v3,并且在包含3.5亿个图像甚至更大的图像分类数据集上明显优于Inception v3,而两个结构保持了相同数目的参数,性能增益来自于更加有效地使用模型参数,详细可参考论文:Xception: Deep Learning with Depthwise Separable Convolutions,论文Real-time Convolutional Neural Networks for Emotion and Gender Classification等。

    图片展示

        既然这样的网络能获得更好结果又是主流,那当然有必要作为对比算法实现以下了,这里博主模型这部分的代码引用了GitHub:https://github.com/oarriaga/face_classification中的模型(其他地方也能找到这个模型的类似代码),模型框图如上图所示,其代码如下:

    def mini_XCEPTION(input_shape, num_classes, l2_regularization=0.01):
        regularization = l2(l2_regularization)
    
        # base
        img_input = Input(input_shape)
        x = Conv2D(8, (3, 3), strides=(1, 1), kernel_regularizer=regularization,
                                                use_bias=False)(img_input)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = Conv2D(8, (3, 3), strides=(1, 1), kernel_regularizer=regularization,
                                                use_bias=False)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
    
        # module 1
        residual = Conv2D(16, (1, 1), strides=(2, 2),
                          padding='same', use_bias=False)(x)
        residual = BatchNormalization()(residual)
    
        x = SeparableConv2D(16, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = SeparableConv2D(16, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
    
        x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x)
        x = layers.add([x, residual])
    
        # module 2
        residual = Conv2D(32, (1, 1), strides=(2, 2),
                          padding='same', use_bias=False)(x)
        residual = BatchNormalization()(residual)
    
        x = SeparableConv2D(32, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = SeparableConv2D(32, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
    
        x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x)
        x = layers.add([x, residual])
    
        # module 3
        residual = Conv2D(64, (1, 1), strides=(2, 2),
                          padding='same', use_bias=False)(x)
        residual = BatchNormalization()(residual)
    
        x = SeparableConv2D(64, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = SeparableConv2D(64, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
    
        x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x)
        x = layers.add([x, residual])
    
        # module 4
        residual = Conv2D(128, (1, 1), strides=(2, 2),
                          padding='same', use_bias=False)(x)
        residual = BatchNormalization()(residual)
    
        x = SeparableConv2D(128, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
        x = Activation('relu')(x)
        x = SeparableConv2D(128, (3, 3), padding='same',
                            kernel_regularizer=regularization,
                            use_bias=False)(x)
        x = BatchNormalization()(x)
    
        x = MaxPooling2D((3, 3), strides=(2, 2), padding='same')(x)
        x = layers.add([x, residual])
    
        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
    

    4. 数据增强的批量训练

        神经网络的训练需要大量的数据,数据的量决定了网络模型可以达到的高度,网络模型尽量地逼近这个高度。然而对于人脸表情的数据来说,都只存在少量的数据Extended Cohn-Kanada (CK+)的数据量是远远不够的,并且CK+多是比较夸张的数据。Kaggle Fer2013数据集也不过只有3万多数据量,而且有很多遮挡、角度等外界影响因素。既然收集数据要花费很大的人力物力,那么我们就用技术解决这个问题,为避免重复开发首先还是看看有没有写好的库。博主又通读了遍Keras官方文档,其中ImageDataGenerator的图片生成器就可完成这一目标。

    为了尽量利用我们有限的训练数据,我们将通过一系列随机变换堆数据进行提升,这样我们的模型将看不到任何两张完全相同的图片,这有利于我们抑制过拟合,使得模型的泛化能力更好。在Keras中,这个步骤可以通过keras.preprocessing.image.ImageGenerator来实现,这个类使你可以:在训练过程中,设置要施行的随机变换通过.flow或.flow_from_directory(directory)方法实例化一个针对图像batch的生成器,这些生成器可以被用作keras模型相关方法的输入,如fit_generator,evaluate_generatorpredict_generator。——Keras官方文档

        ImageDataGenerator()是一个图片生成器,同时也可以在batch中对数据进行增强,扩充数据集大小(比如进行旋转,变形,归一化等),增强模型的泛化能力。结合前面的模型和数据训练部分的代码如下:

    """
    Description: 训练人脸表情识别程序
    """
    
    from keras.callbacks import CSVLogger, ModelCheckpoint, EarlyStopping
    from keras.callbacks import ReduceLROnPlateau
    from keras.preprocessing.image import ImageDataGenerator
    from load_and_process import load_fer2013
    from load_and_process import preprocess_input
    from models.cnn import mini_XCEPTION
    from sklearn.model_selection import train_test_split
    
    # 参数
    batch_size = 32
    num_epochs = 10000
    input_shape = (48, 48, 1)
    validation_split = .2
    verbose = 1
    num_classes = 7
    patience = 50
    base_path = 'models/'
    
    # 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()
    
    # 定义回调函数 Callbacks 用于训练过程
    log_file_path = base_path + '_emotion_training.log'
    csv_logger = CSVLogger(log_file_path, append=False)
    early_stop = EarlyStopping('val_loss', patience=patience)
    reduce_lr = ReduceLROnPlateau('val_loss', factor=0.1,
                                  patience=int(patience/4),
                                  verbose=1)
    # 模型位置及命名
    trained_models_path = base_path + '_mini_XCEPTION'
    model_names = trained_models_path + '.{epoch:02d}-{val_acc:.2f}.hdf5'
    
    # 定义模型权重位置、命名等
    model_checkpoint = ModelCheckpoint(model_names,
                                       'val_loss', verbose=1,
                                        save_best_only=True)
    callbacks = [model_checkpoint, csv_logger, early_stop, reduce_lr]
    
    # 载入数据集
    faces, emotions = load_fer2013()
    faces = preprocess_input(faces)
    num_samples, num_classes = emotions.shape
    
    # 划分训练、测试集
    xtrain, xtest,ytrain,ytest = train_test_split(faces, emotions,test_size=0.2,shuffle=True)
    
    # 图片产生器,在批量中对数据进行增强,扩充数据集大小
    data_generator = ImageDataGenerator(
                            featurewise_center=False,
                            featurewise_std_normalization=False,
                            rotation_range=10,
                            width_shift_range=0.1,
                            height_shift_range=0.1,
                            zoom_range=.1,
                            horizontal_flip=True)
    
    # 利用数据增强进行训练
    model.fit_generator(data_generator.flow(xtrain, ytrain, batch_size),
                            steps_per_epoch=len(xtrain) / batch_size,
                            epochs=num_epochs,
                            verbose=1, callbacks=callbacks,
                            validation_data=(xtest,ytest))
    

        以上代码中设置了训练时的结果输出,在训练结束后会将训练的模型保存为hdf5文件到自己指定的文件夹下,由于数据量大模型的训练时间会比较长,建议使用GPU加速。训练结束后测试得到混淆矩阵如下:

    图片展示

        训练的模型综合在FER2013数据集上的分类准确率为66%,后续调整之后达到了70%,算是中等偏上水平,其实并非模型不好而是在数据预处理、超参数的选取上有很大的可提升空间,当然也可使用其他的模型,譬如可参考论文:Extended deep neural network for facial emotion recognition,大家可自行研究,这里就不多介绍了。


    5. 系统UI界面的实现

        上面的模型训练好了,但对于我们来说它的作用就只是知道了其准确率还行,其实深度学习的目的最重要还是应用,是时候用上面的模型做点酷酷的东西了。可不可以用上面的模型识别下自己表达的情绪呢?不如做个系统调取摄像头对实时画面中的表情进行识别并显示识别结果,既能可视化的检测模型的实用性能,同时使得整个项目生动有趣激发自己的创造性,当你向别人介绍你的项目时也显得高大上。这里采用PyQt5进行设计,首先看一下最后的效果图,运行后的界面如下:

    图片展示

        设计功能:一、可选择模型文件后基于该模型进行识别;二、打开摄像头识别实时画面中的人脸表情;三、选择一张人脸图片,对其中的表情进行识别。选择一张图片测试识别效果,如下图所示:

    图片展示

        博主对UI界面的要求是可以简单但颜值必须高,必须高,实用简约高颜值是我奉行的标准,以上的界面几经修改才有了上面的效果。当然博主的目的并不单纯的想秀,而是借此做一个测试模型的系统,可以选择模型、训练测试集等以便界面化地对后面的模型进行各种测试评估,生成用于论文的特定结果数据图或表格等,这个测试系统后面有机会分享给大家。

        系统UI界面的实现这部分又设计PyQt5的许多内容,在这一篇博文中介绍恐怕尾大不掉,效果也不好,所以更多的细节内容将在后面的博文中介绍,敬请期待!有需要的朋友可通过下面的链接下载这部分的文件。


    下载链接
        若您想获得博文中涉及的实现完整全部程序文件(包括数据集,py, UI文件等,如下图),这里已打包上传至博主的面包多下载资源中。文件下载链接如下:
    下载的文件情况
    数据链接:训练用到的数据集(提取码:t7xj

        本资源已上传至面包多网站,可以点击以下链接获取,已将数据集同时打包到里面,点击即可运行,完整文件下载链接如下:

    完整资源下载链接博主在面包多网站上的完整资源下载页

    公众号获取
        本人微信公众号已创建,扫描以下二维码并关注公众号“AI技术研究与分享”,后台回复“ER20190609”获取。

    【运行程序须知】
    在这里插入图片描述
        要安装的库如上图(以上是博主安装的版本),如您想直接运行界面程序,只需在下载链接1中的文件后,运行runMain.py程序。

        如您想重新训练模型,下载链接1中的文件后,运行前请下载链接2中的数据集解压到的csv文件放到 fer2013\fer2013 的文件夹下,运行train_emotion_classifier.py程序即可重新训练。


    5. 结束语

        由于博主能力有限,博文中提及的方法与代码即使经过测试,也难免会有疏漏之处。希望您能热心指出其中的错误,以便下次修改时能以一个更完美更严谨的样子,呈现在大家面前。同时如果有更好的实现方法也请您不吝赐教。

        大家的点赞和关注是博主最大的动力,博主所有博文中的代码文件都可分享给您,如果您想要获取博文中的完整代码文件,可通过C币或积分下载,没有C币或积分的朋友可在关注、点赞博文后提供邮箱,我会在第一时间发送给您。博主后面会有更多的分享,敬请关注哦!

    参考文献:
    [1] Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1251-1258.
    [2] Arriaga O, Valdenegro-Toro M, Plöger P. Real-time convolutional neural networks for emotion and gender classification[J]. arXiv preprint arXiv:1710.07557, 2017.
    [3] Jain D K, Shamsolmoali P, Sehdev P. Extended deep neural network for facial emotion recognition[J]. Pattern Recognition Letters, 2019, 120: 69-74.

    展开全文
  • 表情识别

    2018-04-02 11:06:03
    表情识别,CLM模型,详情加QQ2830025146聊

    表情识别,CLM模型,详情加QQ2830025146聊

    展开全文
  • 基于深度学习的表情识别算法 卷积神经网络 fer2013数据集 自己训练模型 图片测试 摄像头测试 源码交流 w。。。。。。x deeplearning_gogogo 话不多说上图 ...

    基于深度学习的表情识别算法
    卷积神经网络
    fer2013数据集
    自己训练模型
    图片测试
    摄像头测试
    源码交流 w。。。。。。x
    deeplearning_gogogo
    话不多说上图
    在这里插入图片描述

    展开全文
  • 人脸表情识别的matlab程序,内附运行说明与数据库。
  • 表情识别表情识别支持7种表情类型,生气、厌恶、恐惧、开心、难过、惊喜、平静等。实现思路使用OpenCV识别图片中的脸,在使用keras进行表情识别。效果预览实现代码与《性别识别》相似,本文表情识别也是使用keras...

    表情识别

    表情识别支持7种表情类型,生气、厌恶、恐惧、开心、难过、惊喜、平静等。

    实现思路

    使用OpenCV识别图片中的脸,在使用keras进行表情识别。

    效果预览

    13df6b662532e3fbb68d196a85c2902d.png

    实现代码

    与《性别识别》相似,本文表情识别也是使用keras实现的,和性别识别相同,型数据使用的是oarriaga/face_classification的,代码如下:

    #coding=utf-8

    #表情识别

    import cv2

    from keras.models import load_model

    import numpy as np

    import chineseText

    import datetime

    startTime = datetime.datetime.now()

    emotion_classifier = load_model(

    "classifier/emotion_models/simple_CNN.530-0.65.hdf5")

    endTime = datetime.datetime.now()

    print(endTime - startTime)

    emotion_labels = {

    0: "生气",

    1: "厌恶",

    2: "恐惧",

    3: "开心",

    4: "难过",

    5: "惊喜",

    6: "平静"

    }

    img = cv2.imread("img/emotion/emotion.png")

    face_classifier = cv2.CascadeClassifier(

    "C:Python36Libsite-packagesopencv-masterdatahaarcascadeshaarcascade_frontalface_default.xml"

    )

    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    faces = face_classifier.detectMultiScale(

    gray, scaleFactor=1.2, minNeighbors=3, minSize=(40, 40))

    color = (255, 0, 0)

    for (x, y, w, h) in faces:

    gray_face = gray[(y):(y + h), (x):(x + w)]

    gray_face = cv2.resize(gray_face, (48, 48))

    gray_face = gray_face / 255.0

    gray_face = np.expand_dims(gray_face, 0)

    gray_face = np.expand_dims(gray_face, -1)

    emotion_label_arg = np.argmax(emotion_classifier.predict(gray_face))

    emotion = emotion_labels[emotion_label_arg]

    cv2.rectangle(img, (x + 10, y + 10), (x + h - 10, y + w - 10),

    (255, 255, 255), 2)

    img = chineseText.cv2ImgAddText(img, emotion, x + h * 0.3, y, color, 20)

    cv2.imshow("Image", img)

    cv2.waitKey(0)

    cv2.destroyAllWindows()

    以上就是python 实现表情识别的详细内容,更多关于python 表情识别的资料请关注云海天教程其它相关文章!

    原文链接:https://github.com/vipstone/faceai/blob/master/doc/emotion.md

    展开全文
  • 人脸表情识别

    2018-10-09 10:08:19
    基于卷积神经网络的人脸表情识别 表情识别是计算机理解人类情感的一个重要方向,也是人机交互的一个重要方面。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。20世纪70年代的...
  • 表情识别框架

    2018-01-25 21:46:07
    比较了 ICA 方法进行面部表情识别的两种架构 ICA1 和 ICA2。 采用欧式、城区、余弦 KNN 和 6 种核函数的 SVM 算法进行识别,比较了不同的距离函数和核函数对整体识别率和单个表情识别率的影响。 实验表明:ICA1 整体 ...
  • 面部表情识别-源码

    2021-02-15 12:47:25
    面部表情识别
  • 演示用app,表情识别基于微软人脸识别API,可以在点击表情后自动多次拍照,拍照界面已经做了隐藏处理,当与预定义的表情序列匹配后人之成功。 敲击识别的功能上也差不多,是基于加速传感器和录音机实现的,保证较高...
  • matlab表情识别

    2018-10-27 10:38:08
    可以运行于matlab2017b的表情识别matlab程序,是课程作业的一部分,包含了一个简单的说明文档。内容有利于相关学习,思路很好,包括了训练库和测试库,修改自其他程序。
  • 表情识别代码

    2017-04-11 09:13:39
    这是完整可运行的MATLAB代码写的表情识别代码。
  • 表情识别程序

    2018-04-02 10:29:33
    非常好的表情识别程序!!!!!!!!!!!!!!!!!
  • 面部表情识别挑战 这里提供的jupyter笔记本展示了我解决的kaggle问题的方法。 从收集数据集。 训练过的模型权重-> 训练过的模型 > 依存关系 NumPy 凯拉斯 大熊猫 Tensorflow(作为后端) 朱皮特 openCv 2 用法 按...
  • 使用CNN进行面部表情识别:使用CNN和Keras和Tensorflow创建的面部表情识别模型
  • 人脸情绪识别 表情识别

    热门讨论 2013-06-08 14:07:54
    基于弹性模板匹配的人脸表情识别程序。Gabor小波变换提取人脸表情特征以构造表情弹性图,基于弹性模板匹配及K-近邻的分类算法实现人脸表情的识别。 vs2010下运行通过。
  • 表情识别论文

    2014-07-15 10:16:04
    关于表情识别的论文,可用于对表情的识别与分类
  • 包含完整的表情识别matlab代码,并有整个表情识别的过程,以及日本的表情库
  • 表情识别(七)--面部表情识别阶段综述(2018.4)

    万次阅读 多人点赞 2018-05-30 09:09:56
     首先我们来了解一下表情识别的相关背景知识以及发展近况。人脸表情是最直接、最有效的情感识别模式。它有很多人机交互方面的应用,例如疲劳驾驶检测和手机端实时表情识别。早在20世纪Ekman等专家就通过跨文化调研...
  • 在Tensorflow中使用CNN进行面部表情识别 使用卷积神经网络(CNN)从图像或视频/相机流中识别面部表情。 目录 目标是获得一个快速的基准,以比较CNN体系结构在仅使用图像的原始像素进行训练时是否表现更好,或者是否...
  • 人脸表情识别源程序,用MATLAB编写,六种基本表情。有原表情,测试表情 人脸表情识别源程序,用MATLAB编写,六种基本表情。有原表情,测试表情
  • 本文主要参考论文《Deep Facial ... 首先我们来了解一下表情识别的相关背景知识以及发展近况。人脸表情是最直接、最有效的情感识别模式。它有很多人机交互方面的应用,例如疲劳驾驶检测和手机端实时表情识...
  • 人脸表情识别数据集

    2018-05-16 13:20:09
    人脸表情识别数据集, 人脸识别,表情识别,数据集,深度学习

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,524
精华内容 1,009
关键字:

表情识别