提出了一种基于LBP层次特征提取的表情识别算法.将图像分成许多子块,并从子块中提取面部运动单元信息来组成基于面部运动单元的表情成分特征,对人脸图像的眼睛和口部作粗定位.采用局部二值模式(LBP)的层次特征提取法,对图像进行分块操作,求出每个子块的LBP直方图,然后将基于整体特征得到的LBP直方图与基于局部特征得到的LBP直方图连接起来,作为整幅图像的LBP直方图.将层次特征提取法所提取的LBP直方图作为嵌入式隐马尔可夫模型(EHMM)的初始向量,即形成观察序列.对JAFFE人脸库中的7种基本表情进行了测试,结果表明该方法能有效提高表情识别率.

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

Real-world Affective Faces Database(fer2013)数据集下载，用于人脸表情识别

dlib人脸识别库为其官方推出的人脸识别、表情识别算法，可借助其成熟的平台进行自己相关内容的学习

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。

['angry', 'disgust', 'fear','happy', 'sad', 'surprise', 'neutral']七类表情数据集

定向注意力集合，用于准确的面部表情识别-main.pdf

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。