一组主题体现人们在聊天时希望彼此传递的不同情绪和情感的动画贴纸，共计25个，每个贴纸分辨率均为1024*1024。这组贴纸以个人独特的方式创造的这个多彩熊动画角色适合各类群体的受众，并且文件大小较小。嘿嘿哈哈，这个多彩熊动画表现出的情绪和情感，非常的富有感染力，如果感谢趣的话，欢迎大家下载！

针对基于DEAP数据集，进行了ANN、CNN、LSTM模型对比。 含有处理好的数据集和源代码。

情绪识别数据集: CK / jaffe / fer2013 不是原数据集, 已经处理过了, 大小(48,48), 分了训练集和测试集

数据集是COAE2015评测中的任务：关于中文情感倾向型分析， 适合用于训练情感分析的模型。比如针对博文：哇塞，这里有好多绝版的照片，简直太赞了！ 带有标签信息 positive

Eprime任务设计，情绪，推测等，可以用于心理学实验的参考

互联网用户的情绪表达方法研究

从面部表情实时情感分析 从面部表情实时进行人类情绪分析。 它使用了深度的卷积神经网络。 使用的模型在测试数据上的准确性达到63％。 实时分析器为当前情绪分配合适的表情符号。 模型实现是在keras中完成的。 一些预测的输出： 使用的表情符号： 实时情绪分析器快照 从图中可以明显看出，给定帧的模型预测是中性的。 模型架构 文件清单 facial Emotions.ipynb ：Jupyter笔记本，具有记录完整的代码，从开始到培训都说明模型准备。 可用于重新训练模型。 main.py ：主python webcam_utils ：用于从面部实时检测情绪的代码prediction_utils ：

实时人脸识别，可以使用网络摄像头、视频或图像对情绪进行分类。 软件通过视频或网络摄像头识别人脸及其相应的情绪。由OpenCV、Dlib、人脸识别和深度学习提供支持。 python 依赖关系 Opencv Cmake Dlib 人脸识别 用法 测试文件夹包含提供给模型的视频及图像。 “图像”文件夹仅包含用于执行人脸识别的人脸图像。 模型包含预先训练的情感分类器模型。 emotion.py 对人的面部情绪进行分类。 face-rec-emotion.py一次识别人脸并对情绪进行分类。 face_recognition library使用FaceNet实现进行人脸识别。

Set up When running a pydeeplearn program you might have to set up some environment variables, depending on your configuration. If want to use the GPU for training/testing a model, you have to ensure that theano knows where your CUDA installation is (for detailed instructions see below). Setting up theano to work on the GPU PATH needs to contain the path to nvcc (usually /usr/local/cuda/bin) CUDA_PATH needs to contain the path to cuda (usually /usr/local/cuda/) LD_LIBR 详细参照包内文档

使用OpenPose/DLIB库实现一些最先进的计算机视觉应用程序。 基于C/C++/Python的计算机视觉模型，使用OpenPose、OpenCV、DLIB、Keras和Tensorflow库。目标检测、跟踪、人脸识别、手势、情绪和姿势识别 C/C++/Python based computer DLIB：计算机视觉和其他机器学习的现代C++工具包。 Kerasify：用于从C++应用程序运行KARAS模型的小型库。 OPENCV：开源计算机视觉库。 OpenStA:一个实时多人关键点检测和多线程C++库。 操作系统（支持）： Ubuntu 16.04 Nvidia Jetson TX2 要求： 至少有1.6 GB可用的NVIDIA图形卡（NVIDIA smi命令检查Ubuntu中可用的GPU内存）。 至少2 GB的可用RAM内存。 推荐：cuDNN和至少8核的CPU。