深度学习框架

• TensorFlow/Keras ：用于构建和训练神经网络模型
• 卷积神经网络(CNN) ：作为核心算法进行表情特征提取和分类

模型架构

模型采用了典型的CNN架构，包含：

• 三组卷积层块，每组包含：
  • 两个卷积层(Conv2D)，分别使用64/128/256个过滤器，3×3卷积核
  • 批量归一化(BatchNormalization)层
  • ELU激活函数
  • 最大池化(MaxPooling2D)层
• 全连接层：128个神经元，ELU激活函数
• 输出层：7个神经元(对应7种情绪)，Softmax激活函数

数据处理技术

• FER2013数据集 ：包含七种情感(愤怒、厌恶、恐惧、快乐、悲伤、惊讶、中性)的面部表情图像
• 数据预处理 ：
  • 图像归一化(除以255)
  • 标签的One-hot编码
  • 训练集和测试集划分

计算机视觉技术

• OpenCV ：用于图像处理和人脸检测
• Haar级联分类器 ：用于实时视频流中的人脸检测(haarcascade_frontalface_default.xml)

实时应用技术

• 摄像头实时捕获 ：使用OpenCV的VideoCapture
• 实时预测 ：对检测到的人脸区域进行实时情绪预测
• 可视化 ：在视频帧上绘制边界框和预测结果

应用打包技术

• PyInstaller ：将Python应用打包成可执行文件(.exe)
• Windows API ：通过win32api、win32con、win32gui设置应用窗口图标

训练技术

• Adam优化器 ：用于模型训练
• 交叉熵损失函数 ：用于多分类问题
• 早停(Early Stopping) ：防止过拟合，在验证损失不再改善时停止训练