人脸表情识别深度神经网络 python实现简单模型 fer2013数据集

时间：2019-05-09 10:12:00 收藏：0 阅读：326

参考网址：https://sefiks.com/2018/01/01/facial-expression-recognition-with-keras/

1.数据集介绍及处理：

（1)　　数据集Fer2013下载地址为：https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data

　　该数据集中每张图片的像素为48*48，该数据集用excel读取后显示的格式如下图所示：

技术分享图片

第一列为标签（也即为什么表情），第二列为像素值，第三列是代表该图片是训练集还是测试集，已经给你打乱了。只需要用即可

(2)pandas读取数据集　　

import numpy as np 
import pandas as pd

data = pd.read_csv(‘data/fer2013/fer2013.csv‘)
num_of_instances = len(data) #获取数据集的数量
print("数据集的数量为：",num_of_instances)

pixels = data[‘pixels‘]
emotions = data[‘emotion‘]
usages = data[‘Usage‘]

（3）分离训练集和测试集

num_classes = 7   #表情的类别数目
x_train,y_train,x_test,y_test = [],[],[],[]

for emotion,img,usage in zip(emotions,pixels,usages):    
    try: 
        emotion = keras.utils.to_categorical(emotion,num_classes)   # 独热向量编码
        val = img.split(" ")
        pixels = np.array(val,‘float32‘)
        
        if(usage == ‘Training‘):
            x_train.append(pixels)
            y_train.append(emotion)
        elif(usage == ‘PublicTest‘):
            x_test.append(pixels)
            y_test.append(emotion)
    except:
        print("",end="")

（4）把数据集转换为numpy数组格式，方便后续处理

x_train = np.array(x_train)
y_train = np.array(y_train)
x_train = x_train.reshape(-1,48,48,1)
x_test = np.array(x_test)
y_test = np.array(y_test)
x_test = x_test.reshape(-1,48,48,1)

(5)显示其中的前4张图片

import matplotlib.pyplot as plt
%matplotlib inline

for i in range(4): 
    plt.subplot(221+i)
    plt.gray()
    plt.imshow(x_train[i].reshape([48,48]))

技术分享图片

2. 创建网络进行训练和测试

from keras.models import Sequential
from keras.layers import Conv2D,MaxPool2D,Activation,Dropout,Flatten,Dense
from keras.optimizers import Adam
from keras.preprocessing.image import ImageDataGenerator

batch_size = 8
epochs = 20

model = Sequential()

#第一层卷积层
model.add(Conv2D(input_shape=(48,48,1),filters=32,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(Conv2D(filters=32,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(MaxPool2D(pool_size=2, strides=2))

#第二层卷积层
model.add(Conv2D(filters=64,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(Conv2D(filters=64,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(MaxPool2D(pool_size=2, strides=2))

#第三层卷积层
model.add(Conv2D(filters=128,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(Conv2D(filters=128,kernel_size=3,padding=‘same‘,activation=‘relu‘))
model.add(MaxPool2D(pool_size=2, strides=2))

model.add(Flatten())

#全连接层
model.add(Dense(64,activation = ‘relu‘))
model.add(Dropout(0.5))
model.add(Dense(7,activation = ‘softmax‘))

#进行训练
model.compile(loss = ‘categorical_crossentropy‘,optimizer = Adam(),metrics=[‘accuracy‘])
model.fit(x_train,y_train,batch_size=batch_size,epochs=epochs)


train_score = model.evaluate(x_train, y_train, verbose=0)
print(‘Train loss:‘, train_score[0])
print(‘Train accuracy:‘, 100*train_score[1])
 
test_score = model.evaluate(x_test, y_test, verbose=0)
print(‘Test loss:‘, test_score[0])
print(‘Test accuracy:‘, 100*test_score[1])

这是一种通用识别架构，由于我的电脑配置不行，程序正在训练，不再贴运行结果。可自行修改网络架构。

程序中需要注意的地方：同时遍历多个数组或列表时，可用zip()函数进行遍历。

原文：https://www.cnblogs.com/carlber/p/10836579.html

人脸表情识别 深度神经网络 python实现 简单模型 fer2013数据集

人脸表情识别深度神经网络 python实现简单模型 fer2013数据集