【图像识别】基于模板匹配之人脸表情识别matlab源码含GUI.md

很好的一段表情识别的代码，在MFC中运行，通过检测人脸和表情库中的特征值距离，来判断表情归属

为方便人脸表情识别相关研究者参考，这里将前面博主的原创本文：《人脸表情识别系统介绍——上篇》(链接：https://wuxian.blog.csdn.net/article/details/91347164)中的技术实现写成了技术论文的形式分享。提供完整的可编辑Word版文件（文件中公式及所贴代码均可编辑、图片高清、格式规范），通过Word转的PDF也在压缩包中。论文截图请见本人博客https://wuxian.blog.csdn.net/article/details/121048790

有新作品@ 代码更新和一些注意事项： 非常遗憾，由于工业工作的承诺和时间紧迫，未能及时回复大多数信息。 显然os.m丢失了，我在本地代码库中找到了它。 在外部工具/ tvl1flow /中添加。 希望对您有所帮助，谢谢。 另外，希望它对您的研究工作有益：) 深度学习的微表达 在微表情识别和识别主题上进行深度学习的实验。 平台和依存关系 Ubuntu 16.04 Python 3.6 Keras 2.0.6 Opencv 3.1.0 pandas 0.19.2 CuDNN 5110.（可选，但建议用于深度学习） 从此网址下载文件 （由于许可证的缘故，删除了应用了TIM的CASMEII，因此您需要应用TIM并自行裁剪，下面的链接是对数据库的访问请求。） 与TIM相关：TIM代码可以在下面下载， : 注意：除TIM大小外，参数均为默认值 相关的光流：我添加了一些脚本来提取光流特征（在E

为提高人脸表情分类的识别率和实时性,提出一种基于卷积神经网络(CNN)局部特征融合的人脸表情识别方法。首先,构建CNN模型,学习眼睛、眉毛、嘴巴3个局部区域的局部特征;然后,将局部特征送入到支持向量机(SVM)多分类器中获取各类特征的后验概率;最后,通过粒子群寻优算法优化各特征的最优融合权值,实现正确率最优的决策级融合,完成表情分类。实验表明,本文方法在CK+和JAFFE数据库的平均识别率分别达到了94.56%和97.08%,与其他识别方法相比,本文方法性能优越,能提高算法的识别率和稳健性,同时保证了算法的实时性。

利用深度学习技术进行人脸识别，通过emoji表情反映人的面部表情。

人脸表情识别 2020.8.22，重构了整个仓库代码，改用Tensorflow2中的keras api实现整个系统。考虑到很多反映jupyter notebook写的train使用起来不太方便，这里改成了py脚本实现。 2020.12.18，根据反馈，修改了Jaffe的优化器设置。 简介 使用卷积神经网络构建整个系统，在尝试了Gabor、LBP等传统人脸特征提取方式基础上，深度模型效果显著。在FER2013、JAFFE和CK+三个表情识别数据集上进行模型评估。 环境部署 基于Python3和Keras2（TensorFlow后端），具体依赖安装如下(推荐使用conda虚拟环境)。 git clone https://github.com/luanshiyinyang/FacialExpressionRecognition.git cd FacialExpressionRecognition conda create -n FER python=3.6 source activate FER conda install cudatoolkit=10.1 conda install cudnn=7.6.5 pip install -r requirements.txt 如果你是Linux用户，直接执行根目录下的env.sh即可一键配置环境，执行命令为bash env.sh。 数据准备 数据集和预训练模型均已经上传到百度网盘，链接给出，提取密码为2pmd。下载后将model.zip移动到根目录下的models文件夹下并解压得到一个*.h5的模型参数文件，将data.zip移动到根目录下的dataset文件夹下并解压得到包含多个数据集压缩文件，均解压即可得到包含图像的数据集（其中rar后缀的为原始jaffe数据集，这里建议使用我处理好的）。 项目说明 传统方法 数据预处理 图片降噪 人脸检测（HAAR分类器检测（opencv）） 特征工程 人脸特征提取 LBP Gabor 分类器 SVM 深度方法 人脸检测 HAAR分类器 MTCNN（效果更好） 卷积神经网络 用于特征提取+分类 网络设计 使用经典的卷积神经网络，模型的构建主要参考2018年CVPR几篇论文以及谷歌的Going Deeper设计如下网络结构，输入层后加入(1,1)卷积层增加非线性表示且模型层次较浅，参数较少（大量参数集中在全连接层）。 模型训练 主要在FER2013、JAFFE、CK+上进行训练，JAFFE给出的是半身图因此做了人脸检测。最后在FER2013上Pub Test和Pri Test均达到67%左右准确率（该数据集爬虫采集存在标签错误、水印、动画图片等问题），JAFFE和CK+5折交叉验证均达到99%左右准确率（这两个数据集为实验室采集，较为准确标准）。 执行下面的命令将在指定的数据集（fer2013或jaffe或ck+）上按照指定的batch_size训练指定的轮次。训练会生成对应的可视化训练过程，下图为在三个数据集上训练过程的共同绘图。 python src/train.py --dataset fer2013 --epochs 300 --batch_size 32 模型应用 与传统方法相比，卷积神经网络表现更好，使用该模型构建识别系统，提供GUI界面和摄像头实时检测（摄像必须保证补光足够）。预测时对一张图片进行水平翻转、偏转15度、平移等增广得到多个概率分布，将这些概率分布加权求和得到最后的概率分布，此时概率最大的作为标签（也就是使用了推理数据增强）。 GUI界面 注意，GUI界面预测只显示最可能是人脸的那个脸表情，但是对所有检测到的人脸都会框定预测结果并在图片上标记，标记后的图片在output目录下。 执行下面的命令即可打开GUI程序，该程序依赖PyQT设计，在一个测试图片（来源于网络）上进行测试效果如下图。 python src/gui.py 上图的GUI反馈的同时，会对图片上每个人脸进行检测并表情识别，处理后如下图。 实时检测 实时检测基于Opencv进行设计，旨在用摄像头对实时视频流进行预测，同时考虑到有些人的反馈，当没有摄像头想通过视频进行测试则修改命令行参数即可。 使用下面的命令会打开摄像头进行实时检测（ESC键退出），若要指定视频进行进行检测，则使用下面的第二个命令。 python src/recognition_camera.py python src/recognition_camera.py --source 1 --video_path 视频绝对路径或者相对于该项目的根目录的相对路径 下图是动态演示的在Youtube上某个视频上的识别结果。

代码基于python3和opencv框架，可能需要安装所需的module； 功能描述 --实现笔记本摄像头获取人脸的面部表情识别，happy，angry，neural，sad.. --实现指定路径下视频中人脸的识别.. 验证成功，未做改动，源自github

面部表情识别 该项目可以从您的面部识别您的表情。该项目基本上来自Corsera指导的项目，但我改进了CNN模型的架构。 它使用CNN，Keras，OpenCV和Flask构建。 这将检测到5种面部表情，如Netural，Happy，Anger，Surprise和Sad。 我还使用Flask在Web上部署了该项目

该程序是为人脸表情识别研究实验人脸预处理阶段而开发的半自动人脸裁剪系统，因为大部分人脸表情数据库都是未经裁剪/裁切的，而去除背景是人脸表情识别预处理的重要一步。网上有很多人脸数据库，但大部分是未经裁剪/人脸裁切处理的，不能直接用于人脸表情识别试验。 该程序是为人脸表情识别研究实验人脸预处理阶段而开发的半自动人脸裁剪/人脸裁切系统，因为大部分人脸数据库都是未经裁剪的，而去除背景是人脸表情识别预处理的重要一步。 图像归一化为64*82大小，归一化方案请参见张一鸣，《人脸表情识别》。采用OpenCV+MFC制作，不提供源代码。用到的同学可以下载。 敬告：因为本程序读取.tif格式图像使用OpenCV函数，而.tif格式本身的复杂性导致没有通用的读取函数，故对有些.tif图像可能会出问题。