面部表情识别 基于CNN的人脸表情识别系统 主要功能： 1）图片识别可以通过上传本地图片，进行表情识别2）拍摄识别点击快照识别按钮，可以调用摄像头实现拍摄，并进行表情识别 实现原理： 1，表情库的建立 fer2013人脸数据集，可以从kaggle网站上下载 2，表情识别： （1）图像获取：通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 （2）图像预处理：图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。 目的:改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类识别打好基础 主要工作：人脸表情识别子区域的分割以及表情图像的归一化处理(尺度归一和灰度归一)  （3）特征提取：将点阵转换成更高级别的图像表述—如形状，运动，颜色，纹理，空间结构等，在保证质量和识别率的降低下，对庞大的图像数据进行降级维处理。 2，表情分析： (1) 获取表情识别地数据

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，或者是否向CNN提供一些额外的信息（例如人脸标志或HOG特征）更好。 结果表明，额外的信息有助于CNN更好地执行。 为了训练模型，我们使用了Fer2013 datset，其中包含30,000个面部表情的图像，分为七个类别：愤怒，厌恶，恐惧，快乐，悲伤，惊喜和中立。 首先使用opencv检测面部，然后使用dlib提取面部标记。 我们还提取了HOG特征，并将带有人脸标志+猪的原始图像

该资源为官网下载来的完整初始版数据集，不是网上已经被个人更改过的数据集！ （由于超过1000M，分为三个部分来上传） CK+ 是表情识别领域最为常见的数据集之一！包括8种基本表情（包括中性的话）。 数据库包括123个subjects, 593 个 image sequence，每个image sequence的最后一张 Frame 都有action units 的label，而在这593个image sequence中，有327个sequence 有 emotion的 label。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

kaggle2018年的人脸表情识别数据集，来自实验室环境下采集的7864张人脸彩色图，每人采集了20张不同表情。

面部微表情（ME）是引发隐藏某种真实情绪的短暂和不自主的快速面部表情。 标准的微表情持续时间在1/5到1/25之间，通常只发生在脸部的特定部位。 微表情的微妙和简洁是对肉眼的巨大挑战; 因此，近年来已经提出了很多工作来利用计算机视觉和机器学习算法来实现自动微表情式识别。

关于表情识别的论文，可用于对表情的识别与分类

基于纹理特征融合的人脸表情识别.pdf

Facial-Expression-Recognition Facial-Expression-Recognition 深度学习构建人脸面部表情识别系统

基于 PCA+SVM 的人脸识别系统进行了总体设计，并利用ORL 人脸数据库在 Matlab 软件上运行程序，对人脸识别系统的实现进行仿真，通过Matlab GUI 对人机交互界面进行设计，增加系统可视化功能，最终实现人脸识别功能。

人脸识别、表情识别图像预处理--图像库人脸图像剪切、旋转