我已经使用 klt 编辑了面部跟踪示例以使用我的面部特征点matlab附带的原始内置示例可以使用编辑视觉facetrackingklt

1.研究背景与意义 疲劳检测在现实生活中具有很大的意义和实用价值，也是一个值得进一步完善研究的课题。 列车员疲劳提醒 疲劳检测 特定岗位防瞌睡 汽车防止疲劳驾驶 防止质检员打盹

人类通过肢体语言，语音，面部表情等各种方式表达情绪。我们已经使用面部表情来检测非常重要的情绪，并且在机器学习中有着广泛的应用，尤其是在医学，通讯，教育和娱乐领域。 老年健康监测，安全系统，心理学和计算机视觉，驾驶员疲劳监测是情感检测在现实世界中的少数应用。 该系统旨在识别七种情绪，即愤怒，悲伤，幸福，惊奇，中立，惊奇和厌恶。 我们的系统提出通过卷积神经网络（CNN）使用面部表情对人类进行情感检测。 进行了文献综述以选择最佳的深度学习模型。 应用的主要算法是CNN。 使用的数据集是Fer2013和JAFFE。

CelebA-Spoof：具有丰富注释的大规模面部防欺骗数据集 CelebA-Spoof：具有丰富注释的大规模面部防欺骗数据集 ，，，，，， 在ECCV 2020中。 [] | [] 摘要： CelebA-Spoof是一个大规模的人脸反欺骗数据集，具有来自10,177个对象的625,537张图像，其中包括关于脸部，光照，环境和欺骗类型的43种丰富属性。从CelebA数据集中选择的实时图像。我们收集并注释CelebA-Spoof的欺骗图像。在43个丰富的属性中，有40个属性属于实时图像，包括所有面部组件和附件，例如皮肤，鼻子，眼睛，眉毛，嘴唇，头发，帽子，眼镜。欺骗图像包含3个属性，包括欺骗类型，环境和照明条件.CelebA-Spoof可用于训练和评估面部反欺骗算法。 更新 [02/2021] CelebA-Spoof Challenge 2020的已在arXiv上发布。 [08/20

带有个人面部表情CNN和基于全局图像的CNN的群体情感识别

deepface Deepface是一个轻量级的面部分析框架，包括适用于Python的面部识别和人口统计（年龄，性别，情感和种族）。 您可以使用几行代码来应用面部分析。 它计划桥接一个Deepface Deepface是一个轻量级的面部分析框架，包括适用于Python的面部识别和人口统计（年龄，性别，情感和种族）。 您可以使用几行代码来应用面部分析。 它计划弥合软件工程与机器学习研究之间的鸿沟。 安装安装deepface的最简单方法是从PyPI下载。 pip install deepface人脸识别功能在DeepFace界面下用于人脸识别。 来自Deepfa

本项目是一个完整的深度学习实践，课题是人脸表情识别，使用到的模型是卷积神经网络，难度在简单——中等级别，方便初学者入门。在这里，面部表情识别相当于一个分类问题，共有7个类别。其中label包括7种类型表情。源代码方便大家开箱即用，学习参考！ 动手完成这个项目之后，可以学习到： 1. 深度学习中CNN（卷积神经网络）的使用，为之后学习相关神经网络模型做了很好的铺垫。 2. 学会使用深度学习框架之一Pytorch的使用。 3. 多分类问题在实际中的应用，是二分类的扩展。 4. 从数据处理，可视化，到模型搭建的过程，是一种经验和技巧的积累，达到“举一反三”的效果。

StarGAN: 面向跨域图像变换的统一对抗生成网络，可实现面部表情/性别迁移

与经典的卷积神经网络（CNN）相比，提出的胶囊网络欣顿可以使用更少的网络层来很好地完成分类任务，并以更快的速度达到收敛。 胶囊网络的原理是基于CNN，只是将神经元形式从标量转换为向量，即一个胶囊，然后通过动态路由方法选择适合最终输出的胶囊1 。在胶囊网络的基础上，使用反卷积来还原图像并优化原始图像和还原图像之间的误差。 通过数据增强处理的名为Cohn- Kanade Database Plus（CK +）的经典面部情绪数据库用于进行实验。 最近，分类结果与NAO机器人结合在一起。 NAO机器人可以通过改变眼睛的颜色并说出结果来形象化情感，从而达到将理论与实践相结合的目的。

情感图像分类 建立CNN并将转移学习应用于新的分类问题。 这是一个私有的kaggle数据集，数据集链接位于： ://drive.google.com/drive/folders/1HtQkw7FiK9BT881teXnGj5_piibBMHdW?usp=sharin。 该数据集包含约28000张图像。 每个示例都是48x48灰度图像，与来自7个情感或类的标签（如生气，高兴等）相关联 完成了将数据整形为48 * 48并将图像的大小调整（裁剪）为32 * 32的预处理步骤。 我将旋转用于数据扩充的随机性。 我设计了具有三个隐藏层的CNN模型。 所有3层的内核大小都相同（3 * 3）。 我的模型学习的总参数为107015 超参数设置：epochs = 30，batch-size = 256，lr（Adam的学习率）=。0001我用几个不同的epochs和batch-size训练了模型，然后