73%到94%准确率！PyTorch面部表情识别实战：构建智能情感计算系统

73%到94%准确率！PyTorch面部表情识别实战：构建智能情感计算系统

【免费下载链接】Facial-Expression-Recognition.PytorchA CNN based pytorch implementation on facial expression recognition (FER2013 and CK+), achieving 73.112% (state-of-the-art) in FER2013 and 94.64% in CK+ dataset项目地址: https://gitcode.com/gh_mirrors/fa/Facial-Expression-Recognition.Pytorch

Facial-Expression-Recognition.Pytorch是一个基于CNN的面部表情识别项目，使用PyTorch实现，在FER2013数据集上达到73.112%的准确率（当前最先进水平），在CK+数据集上达到94.64%的准确率，为情感计算应用提供了强大的技术支持。

📊 项目核心功能与优势

该项目通过深度学习技术实现了高精度的面部表情识别，能够自动识别图像中的面部表情类别，包括愤怒、厌恶、恐惧、开心、悲伤、惊讶和中性七种基本情绪。其核心优势在于：

• 双数据集支持：同时支持FER2013和CK+两个主流表情识别数据集
• 多种模型选择：提供VGG19和Resnet18等经典深度学习模型
• 高识别准确率：在FER2013达到73.112%，在CK+达到94.64%的识别准确率
• 完整的预处理与可视化工具：包含数据预处理、模型训练、评估和结果可视化的全套流程

表情识别效果展示

以下是项目的表情识别效果示例，展示了输入图像、分类结果和对应的表情 emoji：

图1：愤怒表情识别结果展示，系统成功将输入图像分类为愤怒表情

图2：悲伤表情识别结果展示，系统准确识别出悲伤情绪

图3：开心表情识别结果展示，系统正确分类开心表情

🚀 快速开始：环境搭建与安装

系统依赖

项目需要以下依赖环境：

• Python 2.7
• Pytorch >=0.2.0
• h5py (数据预处理)
• sklearn (混淆矩阵绘制)

项目获取

首先克隆项目仓库到本地：

git clone https://gitcode.com/gh_mirrors/fa/Facial-Expression-Recognition.Pytorch

📁 数据集介绍与预处理

FER2013 Dataset

FER2013数据集来自Kaggle表情识别挑战赛，包含：

• 图像属性：48 x 48像素(2304字节)
• 标签：0=愤怒, 1=厌恶, 2=恐惧, 3=开心, 4=悲伤, 5=惊讶, 6=中性
• 训练集：28,709个样本
• 公开测试集：3,589个样本
• 私有测试集：3,589个样本

FER2013数据预处理步骤：

1. 从Kaggle下载fer2013.csv数据集
2. 将数据集放入"data"文件夹
3. 运行预处理脚本：

python preprocess_fer2013.py

CK+ Dataset

CK+数据集是CK数据集的扩展，包含327个标记的面部视频。项目从每个序列中提取最后三帧，共981个面部表情样本，实验中使用10折交叉验证。

💻 模型训练与评估

FER2013模型训练与评估

训练模型：

python mainpro_FER.py --model VGG19 --bs 128 --lr 0.01

绘制混淆矩阵：

python plot_fer2013_confusion_matrix.py --model VGG19 --split PrivateTest

FER2013准确率表现：

• 模型：VGG19；PublicTest_acc：71.496%；PrivateTest_acc：73.112%
• 模型：Resnet18；PublicTest_acc：71.190%；PrivateTest_acc：72.973%

CK+模型训练与评估

单折训练与评估：

python mainpro_CK+.py --model VGG19 --bs 128 --lr 0.01 --fold 1

10折交叉验证：

python k_fold_train.py

绘制混淆矩阵：

python plot_CK+_confusion_matrix.py --model VGG19

CK+准确率表现：

• 模型：VGG19；Test_acc：94.646%
• 模型：Resnet18；Test_acc：94.040%

🔍 预训练模型使用

项目提供了预训练模型，可直接用于表情识别：

1. 下载预训练模型：FER2013_VGG19（或百度网盘：https://pan.baidu.com/s/1gCL0TlCwKctAy_5yhzHy5Q，提取码: g2d3）
2. 将模型放入"FER2013_VGG19"文件夹
3. 将测试图像(重命名为1.jpg)放入"images"文件夹
4. 运行可视化脚本：

python visualize.py

🧩 项目核心代码结构

项目主要代码文件包括：

• fer.py：FER2013数据集处理
• CK.py：CK+数据集处理
• mainpro_FER.py：FER2013模型训练主程序
• mainpro_CK+.py：CK+模型训练主程序
• k_fold_train.py：10折交叉验证训练
• visualize.py：模型可视化工具
• utils.py：通用工具函数

模型定义位于models/目录下，包括：

• models/vgg.py：VGG模型定义
• models/resnet.py：ResNet模型定义

数据变换相关代码位于transforms/目录。

🎯 应用场景与扩展

该面部表情识别系统可广泛应用于：

• 情感计算研究
• 人机交互界面
• 心理健康监测
• 市场调研与用户反馈分析
• 教育环境中的学生情绪监测

通过扩展模型和数据集，还可以进一步提高识别准确率和扩展识别的表情类别，满足更多场景需求。

图4：中性表情识别结果展示

图5：愤怒表情识别结果展示

图6：恐惧表情识别结果展示

无论是学术研究还是商业应用，Facial-Expression-Recognition.Pytorch都提供了一个可靠、高效的面部表情识别解决方案，帮助开发者快速构建智能情感计算系统。

【免费下载链接】Facial-Expression-Recognition.PytorchA CNN based pytorch implementation on facial expression recognition (FER2013 and CK+), achieving 73.112% (state-of-the-art) in FER2013 and 94.64% in CK+ dataset项目地址: https://gitcode.com/gh_mirrors/fa/Facial-Expression-Recognition.Pytorch