功能演示

请添加图片描述

摘要：面部表情识别（Facial Expression Recognition）是一种通过技术手段识别人物图像中人脸面部表情的技术。本文详细介绍了其实现的技术原理，同时给出完整的Python实现代码、训练好的深度学习模型，并且通过PyQT实现了UI界面，更方便进行功能的展示。该表情识别系统可通过图片、视频、摄像头3种方式进行表情识别。本文提供了完整的Python代码和使用教程，给感兴趣的小伙伴参考学习，完整的代码资源文件获取方式见文末。

文章目录

功能演示
前言
一、软件核心功能介绍及效果演示
二、人脸面部表情识别的基本原理
- 1.基本原理
【获取方式】
结束语

点击跳转至文末《完整相关文件及源码》获取

前言

人类的面部表情变化可以传达出其内心的情绪变化，表情是人类内心世界的真实写照。目前最常见的是将人类的表情定义为7中，分别是：悲伤、害怕、厌恶、高兴、生气、惊讶和中立。这也组成了现今的人脸表情识别研究中的七种基础面部表情。

由于不同的面部表情，可以反映出在不同情景下人们的情绪变化以及心理变化，因此面部表情的识别对于研究人类行为和心理活动，具有十分重要的研究意义和实际应用价值。现如今，面部表情识别主要使用计算机对人类面部表情进行分析识别，从而分析认得情绪变化，这在人机交互、社交网络分析、远程医疗以及刑侦监测等方面都具有重要意义。

博主根据深度学习网络模型，开发了一款简易的人脸面部表情识别系统，可以通过图片、视频、摄像头3种方式进行人脸面部表情识别，并且展示识别结果。可以识别悲伤、害怕、厌恶、高兴、生气、惊讶和中立这7种常见表情，感兴趣的小伙伴可以自己试试。

觉得不错的小伙伴，感谢点赞、关注加收藏！如果大家有任何建议或意见，欢迎在评论区留言交流！

界面如下图：
在这里插入图片描述

一、软件核心功能介绍及效果演示

（1）图片表情识别
点击打开图片按钮，选择需要识别的图片即可，操作演示如下：
在这里插入图片描述
（2）视频面部表情识别
点击打开视频按钮，选择需要识别的视频即可，操作演示如下：

（3）摄像头面部表情识别
点击打开摄像头按钮，即可开启摄像头，再次点击该按钮，会关闭摄像头，操作演示如下：
在这里插入图片描述

二、人脸面部表情识别的基本原理

1.基本原理

人脸面部表情识别通常可以划分为四个步骤：包括图像获取，人脸检测，面部图像预处理和表情分类。其中，人脸检测，面部图像预处理（脸部特征提取）和面部表情分类是面部表情识别的三个关键环节。面部表情识别的基本流程如下图所示：
在这里插入图片描述
我们首先可以通过比较常用的人脸检测库face_recognition，来实现人脸区域的检测，并画在图片上。核心代码如下：

image_path = 'TestImages/2.jpg'
image = cv2.imread(image_path)
face_locations = face_recognition.face_locations(image)
num = len(face_locations)
face = []
if num:for face_location in face_locations:top, right, bottom, left = face_locationface.append(image[top:bottom, left:right])image = cv2.rectangle(image,(left, top), (right, bottom), (50, 50, 250),3)

在这里插入图片描述
检测出的上述人脸区域后，然后将人脸区域提取出来，并转化为人脸检测模型需要的48*48大小。传入模型进行人脸表情检测，取概率最大的分类，并将表情识别结果画在图片上，核心代码如下：

# 加载训练好的DenseNet121深度学习模型
inputs = keras.Input(shape=(48, 48, 1), batch_size=64)
x = create_dense_net(7, inputs, include_top=True, depth=121, nb_dense_block=4, growth_rate=16, nb_filter=-1,nb_layers_per_block=[6, 12, 32, 32], bottleneck=True, reduction=0.5, dropout_rate=0.2,activation='softmax')
model = tf.keras.Model(inputs, x, name='densenet121')
filepath = 'models/DenseNet121.h5'
model.load_weights(filepath)# 进行人脸表情识别
image = cv2.imread(image_path)
frame, faces, locations = face_detect(image)
if faces is not None:for i in range(len(faces)):top, right, bottom, left = locations[i]face = cv2.cvtColor(faces[i], cv2.COLOR_BGR2GRAY)face = cv2.resize(face, (48, 48))face = face / 255.0num = np.argmax(model.predict(np.reshape(face, (-1, 48, 48, 1))))label = labeldict[num]frame = cv2.putText(frame, label, (left, top-10), cv2.FONT_ITALIC, 0.8, (0, 0, 250), 2,cv2.LINE_AA)
cv2.imshow('frame',frame)
cv2.waitKey(0)