：温馨提示：文末有 CSDN 平台官方提供的学长 QQ 名片 :)
1. 项目简介
面部表情识别是计算机视觉领域的一个重要研究方向， 它在人机交互、心理健康评估、安全监控等领域具有广泛的应用。近年来，随着深度学习技术的快速发展， 面部表情识别的准确性和实时性得到了显著提升。本项目以 MobileNetV2 为基础模型构建面向面部表情识别的卷积神经网络， 完成模型的训练、验证和测试，面部表情识别准确率达到 85%以上。并利用 Flask + Bootstrap 框架搭建交互式分析平台，方便用户进行表情的识别。
B站视频详情及代码下载：基于深度学习的面部表情分类识别系统_哔哩哔哩_bilibili
基于深度学习的面部表情分类识别系统
2. 面部表情数据集读取与预处理
利用 opencv 读取面部表情图像数据，并转换为 numpy 数组，图片为灰度图：
def prepare_data(ori_data):"""像素数组转成 numpy array"""image_array = np.zeros(shape=(ori_data.shape[0], img_size, img_size))image_label = np.array(list(map(int, ori_data['emotion'])))for i, row in ori_data.iterrows():image = np.fromstring(row['pixels'], dtype=int, sep=' ')image = np.reshape(image, (img_size, img_size))image_array[i] = imagereturn image_array, image_label读取的数据集，可视化部分样例数据：
3. 数据集制作与样本均衡处理
数据集共包含：生气（Angry）、厌恶（Disgust）、恐惧（Fear）、开心（Happy）、悲伤（Sad）、惊讶（Surprise）和中性（Neutral）七种类型，其样本数量分布如下：
可以看出，样本类别极具不均衡，如不处理样本均衡问题，将影响模型的训练，样本少的类别会得不到充分的学习。
通过对样本进行采样，并切分出训练集、验证集和测试集：
class_data = [data[data['emotion'] == i] for i in range(7)]# 对每个类别进行过采样，以匹配平均类别数量
oversampled_data = [resample(class_df, replace=True, n_samples=int(average_class_count), random_state=42) for class_df in class_data]
# 将过采样后的数据合并为一个平衡的数据集
balanced_data = pd.concat(oversampled_data)
# 重置索引并直接在原数据框上进行修改
balanced_data.reset_index(drop=True, inplace=True)# 准备数据，将特征和标签分离
all_x, all_y = prepare_data(balanced_data)
# 重塑特征数据，以匹配输入形状
all_x = all_x.reshape((all_x.shape[0], img_size, img_size, 1))
# 将标签转换为独热编码格式
all_y = to_categorical(all_y)# 将数据分为训练集和临时集，其中20%用于测试
x_train, x_temp, y_train, y_temp = train_test_split(all_x, all_y, test_size=0.2)
# 将临时集进一步分为验证集和测试集，各占50%
x_val, x_test, y_val, y_test = train_test_split(x_temp, y_temp, test_size=0.5)print('训练集：{}，验证集：{}，测试集：{}'.format(x_train.shape[0], x_val.shape[0], x_test.shape[0]))
可以看出，七种类型的样本数量已基本均衡，有利于神经网络的训练。
4. 面部表情识别卷积神经网络构建
4.1 MobileNetV2 基础模型
MobileNetV2 是一种轻量级的深度神经网络模型，由Google在2018年发布，旨在用于移动和边缘设备上的高效图像识别任务。它是MobileNetV1的改进版，继承了其轻量级和高效的特点，并在多个方面进行了优化。以下是MobileNetV2模型的主要特点和结构：
主要特点：
-
深度可分离卷积（Depthwise Separable Convolution）： MobileNetV2依然采用了深度可分离卷积来减少模型参数和计算量。这种卷积将标准的卷积分解为两个步骤：深度卷积（depthwise convolution）和逐点卷积（pointwise convolution）。
-
线性瓶颈（Linear Bottlenecks）： 在MobileNetV2中，作者引入了线性瓶颈的概念，即在网络的最后几层使用了线性激活函数（ReLU6）而不是传统的ReLU，这有助于减少信息的损失。
-
倒残差结构（Inverted Residuals）： MobileNetV2采用了倒残差结构，即先通过一个逐点卷积扩展维度，然后进行深度卷积，最后再用逐点卷积减少维度。这种结构有助于提高网络的表达能力。
-
轻量级： 由于采用了上述结构，MobileNetV2在保持精度的同时大大减少了模型的参数数量和计算量，使其非常适合在资源受限的设备上运行。
4.2 基于迁移学习的卷积神经网络构建
以 MobileNetV2 为 base 模型，加载利用 ImageNet 大规模数据集预训练的 MobileNetV2 模型权重，构建
base_model = tf.keras.applications.MobileNetV2(weights='./pretrained_models/mobilenet_v2_weights_tf_dim_ordering_tf_kernels_1.0_96_no_top.h5', include_top=False,input_shape=(96,96,3)
)# Inputlayer
input = tf.keras.layers.Input(name='0_Input',shape=(img_size, img_size, 1))# Preprocessing stage
x = tf.keras.layers.Resizing(name='1_Preprocessing_1',height = 96, width = 96)(input)
x = tf.keras.layers.Rescaling(name='1_Preprocessing_2',scale = 1/127.0, offset=-1)(x)
x = tf.keras.layers.RandomRotation(name='1_Preprocessing_3',factor=0.20,seed=100)(x)
x = tf.keras.layers.RandomFlip(name='1_Preprocessing_4',mode="horizontal",seed=100)(x)......# Feature extracting stage
x = base_model(x)
x = tf.keras.layers.Flatten(name='3_Classification_1')(x)# Classification stage
x = tf.keras.layers.Dense(name='3_Classification_2',units=256,kernel_regularizer=tf.keras.regularizers.l2(l2=regularization_rate),kernel_initializer = 'he_uniform',activation='relu')(x)......# Prediction stage
predictions = tf.keras.layers.Dense(name='4_Prediction',units = 7,kernel_initializer = 'zeros',activation=tf.nn.softmax)(x)model = Model(inputs=input, outputs=predictions)model.compile(optimizer = tf.keras.optimizers.Adam(learning_rate=learning_rate),loss='categorical_crossentropy',metrics=['acc'])
model.summary()
5. 模型训练与验证
5.1 模型训练
利用切分的训练集进行模型的训练，验证集进行模型的验证评估，并保存 val_acc 最高的模型权重：
checkpoint = ModelCheckpoint('save_models/best_model.h5', monitor='val_acc', verbose=1, mode='max',save_best_only=True)
early = EarlyStopping(monitor="val_acc", mode="max",restore_best_weights=True, patience=5)
lrp_reducer = ReduceLROnPlateau(monitor='val_loss', factor=lrp_factor, patience=lrp_patience, verbose=1)callbacks_list = [checkpoint, early, lrp_reducer]history = model.fit(x_train, y_train, batch_size=batch_size,epochs=epochs,steps_per_epoch=x_train.shape[0] // batch_size,verbose=1,callbacks=callbacks_list,validation_data=(x_val, y_val),validation_steps=x_val.shape[0]//batch_size
)
5.2 测试集预测结果的 AUC 得分与 ROC score 分布
模型预测测试集的 AUC 得分，并绘制 ROC 曲线：
# 获取疾病标签名称列表
labels = list(emotions.values())# 创建一个范围，表示 x 轴上每个标签的位置
x = np.arange(len(labels))
# 设置柱状图的宽度
width = 0.80
fig, ax = plt.subplots(figsize=(20, 8), dpi=120)
rects = ax.bar(x, cate_auc, width, color='#EEC900')
ax.set_ylabel('AUC Score', fontsize=20)
ax.set_xlabel('标签', fontsize=20)
ax.set_title('不同类别模型预测 AUC Score 分布', fontsize=30)
ax.set_xticks(x, labels, fontsize=20)
ax.bar_label(rects, padding=3, fontsize=16)
fig.tight_layout()
plt.show()
5.3 困惑矩阵 Confusionmatrix
from matplotlib.colors import LogNorm
import seaborn as snstrue_labels = np.argmax(y_test, axis=1)
predictions = np.argmax(pred_test, axis=1)
conf_matrix = confusion_matrix(true_labels, predictions)plt.figure(figsize=(10, 8))
sns.heatmap(conf_matrix, annot=True, cmap='GnBu', fmt='g', xticklabels=[emotions[i] for i in range(len(conf_matrix))], yticklabels=[emotions[i] for i in range(len(conf_matrix))], norm=LogNorm())plt.title('Confusion Matrix')
plt.xlabel('Predicted Label')
plt.ylabel('True Label')
plt.show()
6. 基于深度学习的面部表情分类识别系统
利用 Flask + Bootstrap 框架搭建响应式布局的交互分析 web 系统，利用 keras load_model 加载训练好的性能最佳的模型，提供标准化 rest api，提供面部表情的在线识别功能。
6.1 系统首页
6.2 面部表情在线识别
通过上传待测试面部表情图片，提交预测后，后端调用模型进行表情预测，预测结果返回给前端进行渲染可视化，展示预测的标签类别，及各类标签预测的概率分布。
7. 结论
本项目以 MobileNetV2 为基础模型构建面向面部表情识别的卷积神经网络， 完成模型的训练、验证和测试，面部表情识别准确率达到 85%以上。并利用 Flask + Bootstrap 框架搭建交互式分析平台，方便用户进行表情的识别。
欢迎大家点赞、收藏、关注、评论啦 ，由于篇幅有限，只展示了部分核心代码。技术交流、源码获取认准下方 CSDN 官方提供的学长 QQ 名片 :)
精彩专栏推荐订阅：
1. Python数据挖掘精品实战案例
2. 计算机视觉 CV 精品实战案例
3. 自然语言处理 NLP 精品实战案例
)
)
