卷积神经网络在人脸表情识别中的应用研究侯楚焓陆麟鑫---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除------本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---【关键词】卷积神经网络;神经元;卷积核：TN92：ADOI：10.12246/j.issn.1673-0348.2021.013..0311.引言卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种带有卷积结构的有监督深度神经网络模型，借助卷积层的应用减小了深层网络占有的内存量，通---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---过让卷积核提取图像特征来实现对图像的识別分类。表情识别是指从静态照片或视频序列中选择出表情状态，从而确定对人物的情绪与心理变化。在人类社会中，最常见的行为便是人与人之间的交流，而交流的方式不仅仅只局限于言语，有时能传达情感的往往是脸上浮现的表情，人的表情大致可分为七种：生气、厌恶、恐惧、高兴、难过、惊讶和无表情，随着网络的飞速发展，人脸表情识别也走上了新的研究方向，也是人机交互的一个重要方面。2.数据集描述数据集train.csv大小为28710行X2305列，每一行包含有label，feature两部分。其中label为图片标签，取值范围为0～6，分别代表了七种表情：（0）生气，（1）厌恶，（2）恐惧，（3）高兴，（4）难过，（5）惊讶和（6）中立（无表情）。feature部分包含2304个数值，代表48X48（分辨率）的人脸图片像素值，其中每个像素值的取值范围为0～255。3.算法总体流程3.1数据预处理本次采用的数据集共有28000多张图片，形式为.csv文件，如图1：其中label代表图片的表情类别，分别有0（生气），1（厌恶），2（恐惧），3（高兴），4（难过），5（惊讶）和6（无表情）;feature代表人脸图片像素值即人脸信息。我们利用数据处理库pandas进行数据分离，利用read_csv（）函数将csv文件以DataFrame的数据类型读取出来，进行缺失值的值填充，之后将label与feature标签进行拆分，分别保存为label.csv和data.csv两个文件，借助openCV库进行图片还原保存。我们取前24000张图片作为训练集，其他图片作为验证集。新建文件夹train和val，将0.jpg到23999.jpg放进文件夹train_data，将其他图片放进文件夹test_data;部分代码如下：---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---然后创建data-label对照表，用于正确对应每一张图片和类别，防止出现因储存顺序混乱而导致的类别不匹配。在train_data和test_data文件夹下各生成一个名为dataset.csv的data-label对照表。部分代码如下：3.2搭建卷积神经网络3.2.1重写dataset类Dataset是一个包装类，用来将数据包装为Dataset类，然后传入DataLoader中，我们再使用DataLoader这个类来更加快捷的对数据进行操作。在训练模型时使用到此函数，用来把训练数据分成多个小组，此函数每次抛出一组数据。直至把所有的数据都抛出。就是做一个数据的初始化。在我们自己的模型训练中，常常需要使用非官方自制的数据集。我们可以通过改写torch.utils.data.Dataset中的getitem和len来载入我们自己的数据集。getitem：获取数据集中的数据len：获取整个数据集的长度（即个数）部分代码如下：3.2.2网络模型搭建本代码模型由三层卷积和三层全连接层以及softmax层构成。我们输入图片大小为为48X48X1（48X48像素，灰度单通道），经过一个3X3X64卷积核的卷积操作，再进行一次2X2的池化，得到一个24X24X64的featuremap1（以上卷积和池化操作的步长均为1，每次卷积前的padding为1，下同）。将featuremap1经过一个3X3X128卷积核的卷积操作，再进行一次2X2的池化，得到一个12X12X128的featuremap2。将featuremap2经过一个3X3X256卷积核的卷积操作，再进行一次2X2的池化，得到一个6X6X256的featuremap3。卷积完毕，数据即将进入全连接层。进入全连接层之前，要进行数据扁平化，将featuremap3拉一个成长度为6X6X256=9216的一维tensor。随---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---后数据经过dropout后被送进一层含有4096个神经元的隐层，再次经过dropout后被送...