目前深度学习很流行，很大程度减轻了图像开发的难度。表情识别是图像算法的重要研究方向，本文提供一种基于深度学习的表情识别方法。
1，获取模型
深度学习的框架比较多，有TF,CAFFE,PYTORCH,KERAS等，然后有很多网络比如resnet,mobilenet等。本文采用keras库，使用mobilenetV2网络，训练一个模型。人脸表情库有7种表情，大家可以到相应的官网下载数据集。数据集无所谓，只要有充足的样本用来训练就行。用KERAS采用mobilenetV2训练后得到一个.H5的模型文件，然后将.H5的模型文件转换为.PB文件，这样OPENCV就能调用了。OPENCV的DNN模块调用比其他方法快9倍左右，不需要其他依赖，很适合工程化，适合C++开发，产品落地。假如用python开发，则不需要转换.H5文件，直接用来预测人脸表情就行了。
2，检测人脸并识别表情
人脸检测有很多方法，比如传统的haar检测人脸，深度学习的MTCNN，还有别的一些方法。综合起来，MTCNN在精度和速度上很有优势。MTCNN检测人脸后，人脸宽度比较小，要对人脸宽度进行扩充，对预测结果更有好处。当已经得到人脸检测的区域后，将该区域提取出来，用得到的深度学习模型进行预测分类，从而得到人脸表情的种类。
3，预测时间和正确率
首先加载模型，然后对文件夹几十个文件统计时间求平均值。深度网络加载时间不算进来，只计算每幅图的人脸检测和表情识别分类的时间，大概平均每幅图在70ms左右，采用CPU，2.5GHz，4G内存。正确率在90%附近。
效果测试 https://download.csdn.net/download/hnsdgxylh/11573446
有一起研究的大神可以加Q 2830025146，共同进步
