情绪识别 该存储库的目的是通过深度学习探索面部表情识别 环境： python 2.7 pytorch 0.3.0 GTX 1080 楷模： VGG Face微调可用于基于图像的表情识别 VGG + GRU用于基于视频的表情识别 Resnet + GRU用于基于视频的表情识别 型号详情： VGG Face 我们使用进行微调，使用FER2013数据集进行分类。 首先，我们通过将caffe模型转换为Pytorch模型，我们提供了转换后的。FER2013数据库包含35889张图像：用于培训的28709张图像，用于公共测试的3589张图像，以及用于私人测试的3589张图像。 我们使用训练数据和公共测试数据进行训练，并使用私人测试数据评估模型性能。 在这里，我们提供已 用法： 首先下载FER2013数据集（需要解压缩）和pytorch模型（VGG_Face_torch

言语情感识别 卷积递归神经网络的TensorFlow在IEMOCAP数据库上的语音情感识别（SER）实现。为了解决帧情感标签不确定性的问题，我们执行了三种合并策略（最大合并，均值合并和基于注意力的合并）加权池）以生成SER的发声级功能。 这些代码仅在带有GTX-1080 GPU的ubuntu 16.04（x64），python2.7，cuda-8.0，cudnn-6.0上进行过测试。要在计算机上运行这些代码，您需要安装以下依赖项： 张量流1.3.0 python_speech_features 波 cPickle 麻木 斯克莱恩 操作系统 演示版 要运行演示，请在分叉存储库之后，运行以

面部分析仪 此Android应用程序的目的是使用Microsoft Face API不仅检测图像中的单个面Kong，而且还提供有关每张面Kong的面部属性的信息，例如情绪，估计的年龄，性别等。 此应用程序的可能应用是在游乐园，教室和住宅中。 游乐园除了可以分析乘车前后人们的情绪外，还可以使用该应用根据年龄和其他属性收集有关乘车人群的类型的数据。 此外，该应用程序可在教室中用于分析教给学生的脸部。 然后，教师可以查看有关情绪的数据，以查看学生是否能够理解，享受或不喜欢这堂课。 最后，该应用程序的另一个应用程序是在住宅中，看护人可以定期使用该应用程序确定患者的情绪并将其存储在数据库中，以便以后进行分析。 用法： 该应用程序非常易于使用：第一页包含两个按钮-一个用于拍照，另一个用于处理图片。 因此，该应用需要相机许可。 拍照后，您可以按“处理”按钮，该应用程序将使用AsyncTask和Mi

直接点击runman.py就可以实现功能，有GUI界面，需要安装opencv等少数几个库，基于深度学习，采用inceptionv4

FERPlus人脸表情识别程序，使用的是keras

emotion_dict_中文情感词典.rar

实时面部表情识别 使用Tensorflow-Keras API中的转移学习（计算机视觉）进行面部表情识别或面部表情识别

南洋理工大学，使用CNN对DEAP数据集进行训练，论文加代码

《游戏情感设计》，英文名《Creating Emotion in Games: The Craft and Art of Emotioneering》，作者（美）David E.Freeman，本书是为英文版，大小 29 MB。 内容简介 过去的游戏缺乏情感，也很少有值得动情的对象，因为一般游戏角色只能发出机械的声音和做出固定的动作，很难让人产生情感效果。随着计算机游戏技术的提高，我们不断完善模拟的思想、行为与情感，创建更加扣人心弦的游戏，让玩家进入强烈的情感之旅。本书介绍如何创建与提炼情感工程技术。. David Freeman的情感工程技术包括下列内容：让玩家认同自己的角色和与NPC（非玩家角色）结合、设计动人而出人意料的游戏时刻、创建具有情感深度的NPC。情感工程技术分为32类，本书分别介绍了所有这些技术，并对每一类中的各种技术进行了演示。... 目录 第一部分 简介. 第1章 交流、探索、帮助、术语、范围3 第2章 情感工程简介5 第3章 为何在游戏中建立情感8 第4章 电影剧本作家对游戏的17个盲点1l 第5章 为什么游戏设计师经常感到创作很难20 第6章 为什么”写作”不好，而“情感工程”较好23 第7章 天衣无缝，巧匠无痕25 第8章 电影剧本所缺，情感工程所补27 第二部分 32类情感工程技术 第9章 NPC趣味技术33 第10章 NPC加深技术43 第11章 对话趣味技术50 第12章 对话加深技术55 第13章 群体趣味技术62 第14章 群体加深技术67 第15章 NPC与NPC化学技术70 第16章 NPC到NPC关系加深技术76 第17章 NPC角色弧技术79 第18章 NPC固定兴趣技术84 .第19章 玩家到NPC化学技术92 第20章 NPC到玩家关系加深技术99 第21章 玩家到NPC关系加深技术104 第22章 群体结合技术107 第23章 情感复杂时刻与情境技术112 第24章 情节趣味技术131 第25章 情感加深技术143 第26章 世界诱入技术..151 第27章 角色诱入技术159 第28章 第一人称角色弧技术167 第29章 第一人称加深技术175 第30章 通过动作揭示复杂角色189 第31章 通过符号加强情感深度195 第32章 自动创建故事技术208 第33章 激发技术212 第34章 聚合技术219 第35章 “生活真实”技术223 第36章 跨人群技术225 第37章 把情感注入游戏的故事要素中231 第38章 将故事和游戏与机制联系238 第39章 编写有力的预先绘制和游戏中的影片片断244 第40章 开头影片片断技术259 第三部分 情感工程序 第41章 简介267 第42章 陷坑269 第43章 Styx 275 第44章 倒霉的交易278 第四部分 魔法 第45章 魔法285 第五部分 附录 附录A 简介293 附录B 生成趣味的技术295 附录C 收集301 附录D 图片致谢314 跗录E 作者简介以及联系信息319 附录F 术语...330

matlab精度检验代码基于EEG的情绪识别的3D-CNN模型 这是基于DEAP数据集的我的2019年冬季课程“模式识别”的最终项目。 我们通过CWT （连续小波变换）对原始信号数据进行预处理，并采用3D-CNN架构作为分类器，“价”标签的准确性达到84.34％。 数据预处理 CWT分析去除基线，原始信号数据通过CWT转换为小波系数，然后进一步转换为小波能量（比例图）。 在此步骤中，我们将数据形状从32（通道）* 8064（采样点）转换为32 * 64（比例）* 7680（采样点）。 剪裁框接下来，我们将1s设置为帧长，因此在60s的视频中可以获取60帧。 每帧的形状为32（通道）* 64（比例）。 选择体重秤然后，我们计算了32个通道中所有64个音阶的平均EER。 并选择第8〜39个音阶以减少计算。 3D块我们选择几个连续的帧并将它们堆叠在一起作为3D块。 后来的实验证明3是最好的。 分类器：3D-CNN 网络架构如下。 关于代码和文件 我们使用matlab_preprocessed_data，它已从此存储库中排除。 运行“ cwt_process.m”以获取“ File_60fra