针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

英文情绪分析，英文情绪分析，英文情绪分析，英文情绪分析，英文情绪分析，英文情绪分析，英文情绪分析，英文情绪分析

NPCC2013,微博情绪分析样例数据。数据分类 like disgust happness sadness surprise anger fear none

基于弹性模板匹配的人脸表情识别程序。Gabor小波变换提取人脸表情特征以构造表情弹性图，基于弹性模板匹配及K-近邻的分类算法实现人脸表情的识别。 vs2010下运行通过。

该语料主要用于识别出整条微博所表达的情绪，不是简单的褒贬分类，而是涉及到多个细粒度情绪类别(例如悲伤、忧愁、快乐、兴奋等)，属于细粒度的情感分类问题。 情感分析资源大全：http://blog.csdn.net/qq280929090/article/details/70838025

一种通用的实现方法卷积神经网络（CNN）构建框架设计实时CNN。创建实时面部检测视觉系统，实现性别分类和情绪分类。

人脸表情识别模型（keras的模型加载，先将json类型重构为model结构）

NLP&&CC2013; 微博情绪分析样例数据 测试集和标注 该语料主要用于识别出整条微博所表达的情绪，不是简单的褒贬分类，而是涉及到多个细粒度情绪类别(例如悲伤、忧愁、快乐、兴奋等)，属于细粒度的情感分类问题。

NLP&CC; 2013微博测评数据； 包括中文微博观点要素抽取、中文微博情绪识别、跨语言情感分类、中文微博实体链接、中文语义依存关系分析五个测评。 每个测评数据包括：评测大纲、评测样例、测试数据、评测结果、评测答案。

情感语料库，用于机器学习，将结果用于业务逻辑，并能为业务提供相关功能，