1.實驗資料

    實驗資料採用Kaggle的一個表情分類比賽資料（），該資料集包含三萬多張人臉圖片，每張圖片被標註為“0=Angry, 1=Disgust, 2=Fear, 3=Happy, 4=Sad, 5=Surprise, 6=Neutral”（7類）的其中一種，分成了train、test和val。資料格式為csv，，參考“扎手的蒼耳”的部落格中指令碼，將資料轉換為圖片，圖片尺寸為48*48。編寫指令碼，根據類別重新命名影象，如下：

    筆者編寫了準備實驗資料指令碼，在筆者提供的資料夾data/fer2013/pre_data.sh。筆者用train檔案和val檔案進行訓練和驗證，用test檔案進行後續的測試精度。

    筆者修改的資料存放至百度網盤，連結：https://pan.baidu.com/s/1F8V6iWQfKdUELR4VihUUkA 密碼：8r63。

2.核心演算法

    經過在網上的各種閱讀資料，筆者大致將表情識別的方法分為兩大類，一類是通過提取面部特徵值，再利用傳統的分類方法，識別出面部表情；另一類則是利用深度網路學習實現端對端的識別。筆者在本次實驗中選擇第二類方式。

    在darknet框架下，參考《Densely Connected Convolutional Networks》的卷積網路結構，製作配置檔案（可實現end_to_end分類識別），進行分類訓練。網路結構如下：

    《Densely Connected Convolutional Networks》是CVPR2017最佳論文，其優點主要有三點：1）減輕了梯度消失問題；2）強化了特徵傳播，鼓勵了特徵再傳播；3）大幅度減少了引數數量。其Densely Connected原理如下圖：

    Densely Connected 在darknet框架中實現的程式碼是體現在route_layer.c。

    在本次實驗的網路配置中，筆者配置了3個dense block ，輸出6*6 feature image，詳細可看筆者提供的資料夾中fer.cfg

3.訓練

    筆者在darknet原始碼上編寫了程式碼，將每次迭代前的avg loss 儲存至txt，等訓練結束後，編寫指令碼，畫出avg loss的變化曲線圖。如下：

4.測試

    筆者編寫了測試demo供使用，demo在windows下開發得到。詳細參照使用說明。

    筆者畫出了不同迭代次數訓練下的分類精度accury（筆者每1000代測試一次）。accury=正確識別的表情圖片數量 / 總表情圖片數量。

論文《A Real-time Facial Expression Recognizer using Deep Neural Network.” International Conference on Ubiquitous Information Management and Communication ACM》在統計了fer2013各類別的識別率，見下圖。筆者也統計了，見下表。

    筆者提供了筆者測試過的weights資源在百度網盤，連結： ，密碼：oofc ；連結：https://pan.baidu.com/s/1lYg4hm5AXHu7u2yVTs5w9w 密碼：iewc。其他的weights可單獨向筆者索要，聯絡QQ:1192090271。

    網路卷積運算使用了openblas（可加速3-5倍），筆者編譯了Windows下x64的，存放至openblas資料夾下。

    darknet依賴了pthread，存放至pre_build資料夾下。

    demo使用了

程式碼說明：demo的程式碼分別存放至fer_module資料夾的include和src中。

demo使用說明：筆者生成exe單獨放置demo資料夾中，可直接點選fer_demo.exe執行，根據提示輸入測試圖片或批量測試圖片的list。（注：demo若缺少依賴，請跟我聯絡！qq：1192090271）

    示例如下：