精彩专栏推荐订阅:在下方主页👇🏻👇🏻👇🏻👇🏻
💖🔥作者主页:计算机毕设木哥🔥 💖
文章目录
- 一、项目介绍
- 二、视频展示
- 三、开发环境
- 四、系统展示
- 五、代码展示
- 六、项目文档展示
- 七、项目总结
- <font color=#fe2c24 >大家可以帮忙点赞、收藏、关注、评论啦 👇🏻
一、项目介绍
人脸情绪识别在人机交互、心理健康筛查和课堂状态分析里都有现实用途,但传统做法依赖人工观察或浅层特征,面对光照变化、遮挡和相近表情时容易误判。通用图像分类模型虽然能识别物体,却缺少对面部情绪的针对性区分,也难以判断输入是否属于情绪识别范围,直接上线会把风景、物品等无关图片硬塞进某个情绪标签。本文通过开发一个人脸情绪识别系统,用以帮助解决多类别面部情绪自动判别以及无关图片误识别的问题。
系统以 PyTorch 框架下的 ResNet50 卷积神经网络作为情绪分类主干,训练阶段引入 EMA 权重平均、Capped 学习率调度和以 macro-F1 为指标的早停策略,使六类情绪的表现保持均衡。模型导出为 ONNX 后由 onnxruntime 在 Django 后端加载推理,配合 Energy 分数与 KNN 特征距离两道域外拒识,把不属于情绪范围的输入拦下。前端用 Vue 与 Element-UI 搭建,借助 ECharts 展示识别结果与统计,支持图片、视频和摄像头三种识别方式,并把每次识别写入历史记录供查询。
经过功能测试,本系统能够面向毕业设计答辩、课程演示和轻量情绪分析场景,帮助不熟悉算法的用户完成上传即得结果的交互体验,也能让使用者回看历史识别记录与类别分布。系统把深度学习模型的训练、导出与 Web 部署串成一条可复现的链路,对希望落地一个视觉识别课题的同学具有参考价值。
二、视频展示
三、开发环境
运行环境:Python(conda 虚拟环境)+ Node(volta 管理)
深度学习框架:PyTorch + torchvision(CUDA GPU 加速)
模型结构:ResNet50 图像分类网络(六类情绪)
模型导出与推理:ONNX + onnxruntime(动态 batch,双输出 logits/特征)
域外拒识算法:Energy 能量分数 + KNN 近邻(sklearn NearestNeighbors)
科学计算与图像:NumPy、Pillow、OpenCV、pandas、SciPy、scikit-learn
数据清洗与可解释性:cleanlab、Grad-CAM
数据增强:Albumentations(TrivialAugment)
后端:Django + PyMySQL django-cors-headers
数据库:MySQL
前端:Vue + Element-UI + ECharts
四、系统展示
系统页面模块展示:







五、代码展示
1def _preprocess(image, pre): 2 """严格按 preprocess.json 的顺序做预处理,顺序错位会导致整批预测错误。""" 3 pre = pre or {} 4 short_side = int(pre.get('resize_short_side', 530)) 5 crop_size = int(pre.get('crop_size', 512)) 6 mean = pre.get('mean') or [0.485, 0.456, 0.406] 7 std = pre.get('std') or [0.229, 0.224, 0.225] 8 scale = float(pre.get('normalize_scale', 1.0 / 255)) 9 10 rgb = image.convert('RGB') 11 width, height = rgb.size 12 # 短边缩放到 short_side(双线性) 13 if width <= height: 14 new_w = short_side 15 new_h = max(1, int(round(height * short_side / float(width)))) 16 else: 17 new_h = short_side 18 new_w = max(1, int(round(width * short_side / float(height)))) 19 resized = rgb.resize((new_w, new_h), Image.BILINEAR) 20 # 中心裁剪到 crop_size 21 left = max(0, (new_w - crop_size) // 2) 22 top = max(0, (new_h - crop_size) // 2) 23 cropped = resized.crop((left, top, left + crop_size, top + crop_size)) 24 # 归一化(先缩放再按通道减均值除标准差) 25 arr = np.asarray(cropped, dtype=np.float32) * scale 26 arr = (arr - np.asarray(mean, dtype=np.float32)) / np.asarray(std, dtype=np.float32) 27 # 转 NCHW 并补 batch 维 28 arr = np.transpose(arr, (2, 0, 1)) 29 return np.ascontiguousarray(arr[None, ...], dtype=np.float32) 30 31 32def _is_pure_color(image, gate): 33 """纯色 / 低信息输入判定:返回 (是否命中, 说明)。""" 34 if not gate.get('enabled'): 35 return False, '' 36 try: 37 small = image.convert('RGB').resize((32, 32)) 38 arr = np.asarray(small, dtype=np.float32) 39 std_value = float(arr.std()) 40 unique_count = len(np.unique(arr.reshape(-1, 3), axis=0)) 41 except Exception: 42 return False, '' 43 if std_value < float(gate.get('std_threshold', 3.0)): 44 return True, '图像色彩变化过小' 45 if unique_count < int(gate.get('unique_colors', 8)): 46 return True, '图像有效颜色种类过少' 47 return False, '' 48 49
六、项目文档展示

七、项目总结
人脸情绪识别在人机交互、心理健康筛查和课堂状态分析中都有现实用途,但依靠人工观察或浅层特征的传统做法,面对光照变化、遮挡和彼此相近的表情时容易误判,通用图像分类模型又缺少对面部情绪的针对性,还会把风景、物品这类无关图片硬塞进某个情绪标签。本课题据此开发了一套人脸情绪识别系统,以 PyTorch 下的 ResNet50 卷积神经网络作为分类主干,训练时引入 EMA 权重平均、Capped 学习率调度和以 macro-F1 为指标的早停,让愤怒、厌恶、恐惧、开心、悲伤、惊讶六类情绪的表现保持均衡;模型导出为 ONNX 后由 onnxruntime 在 Django 后端加载推理,配合 Energy 分数与 KNN 特征距离两道域外拒识,把不属于识别范围的输入拦下而非勉强归类,前端用 Vue 与 Element-UI 借助 ECharts 展示结果与类别统计,支持图片、视频和摄像头三种输入并自动留存识别历史。经功能测试,系统能帮助不熟悉算法的用户完成上传即得结果的体验,也能让使用者回看历史记录与情绪分布,把模型的训练、导出与 Web 部署串成一条可复现的链路,对希望落地视觉识别课题的同学具有参考价值。
大家可以帮忙点赞、收藏、关注、评论啦 👇🏻
💖🔥作者主页:计算机毕设木哥🔥 💖
参考文档
《计算机毕设选题推荐:基于深度学习的人脸情绪识别方法研究,ResNet50 + 双域外拒识 + Django/Vue 全栈可视化大屏》 是转载文章,点击查看原文。

