GENKI 数据集于 2009 年由加利福尼亚大学的机器概念实验室收集发布。收集自网络人脸图，包含7172位 11159 张图像，分为 “笑” 和 “不笑” 两种，每个图片的人脸的尺度大小，姿势，光照变化，头的转动等都不一样，专门用于做笑脸识别。

人脸表情识别数据集 JAFFE JAFFE数据集一共有213张图像．选取了10名日本女学生，每个人做出7种表情．7种表情包括： Angry，Disgust，Fear，Happy，Sad，Surprise，Neutral．（愤怒，厌恶，恐惧，高兴，悲伤，惊讶，中性）

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（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（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

适合了解人脸识别的人群，可以作为初步了解人脸识别知识的简要知识课件

使用PyQt5做的人脸表情识别图像化界面，该程序是使用Python3.7开发的，利用Dlib库实现人脸识别以及情绪分析的功能。利用 Dlib 官方训练好的模型 “shape_predictor_68_face_landmarks.dat” 进行 68 个特征点标定，该模型已上传到该资源中，可以直接调用，利用 OpenCv 进行图像化处理，在人脸上画出 68 个特征点，并用红色数字标明特征点的序号。使用嘴巴的张开比例，眼睛的睁开程度，眉毛的倾斜程度作为表情分析的三个指标，通过计算特征点之间的欧氏距离，来判断人脸的表情。该系统主要能够识别惊恐、常态、高兴、生气等四种表情，识别准确率高，速度快。

提出一种二维分数阶傅里叶域(2D-FrFT)多阶次特征融合分类算法.该方法充分利用分数阶傅里叶域不同阶次下表情特征之间的相关性,选取两个阶次的表情特征,利用典型相关分析法(Canonical Correlation Analysis,CCA)进行特征融合,并通过基于支持向量机(Support Vector Machine,SVM)的多层次分类机制进行人脸表情识别.仿真实验结果表明,采用多阶次特征融合算法后提高了平均识别率,降低了表情特征维数,减小了计算量.

传统的神经网络表情识别系统由特征提取和神经网络分类器组成，利用人的经验来获取模式特征，很容易丢失表征表情特征的细节信息。提出一种基于卷积神经网络的识别方法，避免了对图像进行复杂的特征提取，直接把图像数据作为输入。通过在Cohn-Kanade表情库上的实验结果表明，该方法能够取得很好的表情分类效果。

基于稀疏表示的人脸表情识别matlab程序，用KSVD构建稀疏表示字典，OMP算法重构信号，实现表情的识别。

基于多特征融合卷积神经网络的人脸表情识别

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