# Emotion-Recognition

**Repository Path**: lxj-25/Emotion-Recognition

## Basic Information

- **Project Name**: Emotion-Recognition
- **Description**: 基于深度卷积神经网络实现的人脸表情识别系统，系统程序由Keras, OpenCv, PyQt5的库实现，训练测试集采用fer2013表情库。
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 26
- **Forks**: 3
- **Created**: 2020-05-06
- **Last Updated**: 2025-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

1. 项目名称：Emotion-Recognition
2. 介绍
   基于深度卷积神经网络实现的人脸表情识别系统，系统程序由Keras, OpenCv, PyQt5的库实现，训练测试集采用fer2013表情库。
3. 主要功能
  （1）可以通过从本地图片导入系统，或者直接相机进行拍摄等方法对图片和视频进行处理并分析。
  （2）可以切换模型对图片进行处理。
4. 实现原理
 （1）表情库的建立
    目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的Cohn-Kanade AU-Coded Facial Expression Image 
    Database(简称CKACFEID)人脸表情数据库;fer2013人脸数据集等等，这里我们的系统采用fer2013人脸数据集。
 （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。（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）
 （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,?在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进 
    行降维处理。
 （4）基于运动特征的提取：提取动态图像序列的运动特征
 （5）分类判别:包括设计和分类决策(在表情识别的分类器设计和选择阶段，主要有以下方法：用线性分类器、神经网络分类器、支持向量机、隐马尔可夫模 
    型等分类识别方法)
 （6）用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，最终得出结果
5. 使用说明
 （1）本次实验包含十分友好地可视化交互界面，包括运行结果，运行时间等等。
 （2）识别源可以从本地图片导入系统，或者直接相机进行拍摄都可以。
 （3）而识别系统，类似于谷歌的识别模式，可以显示出识别过程中识别的分析过程。（各种表情所占比重，从而反馈系统运行情况，帮助改进计算过程）