背景
计算机动画代理和机器人为人机交互带来了新的维度，这使得计算机如何在日常活动中影响我们的社交生活变得至关重要。 面对面的交流是一个以毫秒级的时间尺度运行的实时过程。 这个时间尺度的不确定性是相当大的，这使得人类和机器有必要依赖感官丰富的感知原语，而不是缓慢的符号推理过程。 在这个项目中，我们展示了七种最基本的人类表情的实时面部表情识别：愤怒、厌恶、恐惧、快乐、中立、悲伤、惊讶。
现实问题
从七种基本的人类表情中对图像中的面部表情进行分类。
该模型可用于预测静态图像和实时视频的表达。 但是，在这两种情况下，我们都必须为模型提供图像。 在实时视频的情况下，应该在任何时间帧拍摄图像并将其提供给模型以进行表情预测。 系统使用 HAAR 级联自动检测人脸，然后对其进行裁剪并将图像调整为特定大小，并将其提供给模型进行预测。 该模型将生成对应于七个表达式的七个概率值。 对应表达式的最高概率值将是该图像的预测表达式。
然而，我们在这里的目标是预测人类的表情，但我们已经在人类和动画图像上训练了我们的模型。 因为，我们只有大约 1500 张人体图像，这对于制作一个好的模型来说非常少，所以我们拍摄了大约 9000 张动画图像，并利用这些动画图像来训练模型，最终对人体图像进行表情预测。
为了更好地预测，我们决定将每张图像的大小保持为 350*350。
目标和约束
目标
我们的目标是尽可能快速准确地实时预测人脸的表情。
约束
- 延迟：给定图像，系统应该能够立即预测表达并传输结果。因此，存在低延迟要求。
- 可解释性：可解释性对于静止图像很重要，但不是实时的。对于静止图像，可以给出预测表达的概率。
- 准确性：我们的目标是尽可能准确地预测图像中人脸的表情。测试精度越高，我们的模型在现实世界中的表现就越好。
性能指标
这是一个具有 7 个不同类别的多类别分类问题，因此我们考虑了三个性能指标：
- 多类对数损失：我们最终使用了带有交叉熵层的深度学习模型，其中包含七个 softmax 单元，因此我们的目标是减少多类对数损失/交叉熵损失。
- 准确度：这告诉我们我们的模型在预测表达式方面的准确度。
- 混淆度量：由于我们的问题是多类分类，所以混淆度量将帮助我们知道哪些类比其他类更具优势，或者模型更偏向哪个类。 这让我们对模型的预测结果有了清晰的了解。
数据源
数据类型
我们总共有 10596 张图片。其中1496幅是人体图像，9100幅是动画图像。因此，我们有两种类型的图像。一种是人像，另一种是动画图像。
一些人类图像的例子：
一些动画图像的例子：
库
我们使用了几乎所有在普通 ML/DL 问题中使用的库，如 pandas、numpy、matplotlib、sklearn 等。但在这里我想强调两个重要的库。
图像初始预处理概述
- 我们从一开始就将人和动画图像分开，并将它们存储在七个不同的文件夹中，即：愤怒、厌恶、恐惧、快乐、中立、悲伤、惊喜。
- 请记住，每个表达式都有两个文件夹。一种用于人类，另一种用于动画。总共有 14 个文件夹。
- 我们为每个表达式制作了单独的数据框。因此，总共将有 14 个数据帧。 7 个数据帧对应于人类图像的 7 个表达式。同样，7个数据帧对应到动画图像的七个表达式。
- 然后我们结合了人类的所有数据帧。总共有1496张人体图像。在此之后，我们组合了动画图像的所有数据帧。共有 9100 张动画图像。
- 所以，现在我们有两个数据帧，一个用于人类图像，另一个用于动画图像。
训练/测试/分割
对于人类和动画图像，我们已经拆分了我们的数据，使得所有三个数据（即train、CV 和 test）都应该得到均匀分布的类标签图像。
人体图像的分布如下：
动画图像的分布如下：
图像的最终处理
结合人类和动画的训练数据
从 VGG-16 模型创建瓶颈特征（转移学习）
建模和训练
测试结果
测试真实图片
源代码
详情参阅 - 亚图跨际
