简介：面向计算机相关专业毕业设计与深度学习入门者，这份资源提供了一套完整可运行的人脸表情识别系统实现方案，覆盖图像数据准备、模型搭建训练、实时摄像头识别以及GUI交互等关键环节，可帮助快速理解并复现从数据处理到系统部署的整体流程。包内共19个文件，10个Python脚本承担模型、训练、识别与界面等模块，另有PPTX说明文档、README、字体/配置文件以及示例图片，压缩包约10.82MB，结构紧凑、便于按需查阅。目前已有227人学习使用，对于需要完成类似课题或动手实践深度学习的读者具有直接参考价值。源码已在本地编译运行通过，项目评审分达95分以上，配套数据与说明文档齐全，既能支撑毕业设计答辩，也适合在此基础上扩展对比实验或功能优化。
1. 人脸表情识别毕业设计：一套能跑通、能答辩、能加分的系统长什么样
坦白说，每年毕业设计季，人脸表情识别都是最稳的选题之一——它有明确的图像分类任务、有公开数据集、有现成的深度学习模型可以迁移，而且演示效果好：摄像头一开，屏幕上实时跳出“开心”“惊讶”“难过”的标签，答辩现场的直观冲击力比单纯讲准确率数字强得多。但“稳”不等于“容易拿高分”，我见过太多人卡在同一个地方：模型在FER2013测试集上能到68%的准确率，一接摄像头就变成“面无表情检测器”，任何表情都判成中性。这套系统设计的核心关键，不在于把模型精度再堆高一个点，而在于把数据预处理、模型选型、推理部署这条链路想清楚，让系统在真实环境下不至于太狼狈。这篇笔记我会按一套可复现的毕业设计架构，从数据准备讲到模型训练、推理集成、答辩验证，把参数、代码和踩过的坑一次说透。适合正在做或准备做这个方向的人，也适合想把“表情识别”作为子模块嵌入更大系统的开发者。
2. 数据准备：先把FER2013变成能训练的样子
2.1 标签映射与类别不均衡检查
做人脸表情识别，第一件事不是写模型，而是把数据集的“底细”摸清楚。最常见的公开数据集是FER2013，训练集28709张，公开测试集3589张，共7类：生气（angry）、厌恶（disgust）、恐惧（fear）、开心（happy）、难过（sad）、惊讶（surprise）、中性（neutral）。但这里有一个坑——类别严重不均衡，“厌恶”类样本只有六七百张，而“开心”“中性”各自有七八千张。如果你直接用原始分布训练，模型会对“厌恶”视而不见。
import pandas as pd from collections import Counter df = pd.read_csv('fer2013.csv') label_map = {0:'angry', 1:'disgust', 2:'fear', 3:'happy', 4:'sad', 5:'surprise', 6:'neutral'} # 统计每个类别的样本量 counts = Counter(df['emotion']) for label, cnt in sorted(counts.items()): print(f'{label_map[label]:>10}: {cnt}张')这段代码的作用是打印每个类别的样本数量，让你在训练之前就对数据分布心里有数。如果你的训练集和这里的数量不一致，说明你手上的不是原始FER2013，而是某份重构版本，后续做数据增强和类别权重时都要以此为准。参数方面不需要额外调整，但注意label_map的索引必须和CSV里emotion列的值对齐——这个细节虽然简单，错了就会导致标签错乱，模型训练时loss完全跑不动。
处理类别不均衡，常见做法有几种。我一般会优先用加权交叉熵损失，而不是简单复制少数类样本，因为复制样本容易导致过拟合；如果某个类别样本实在太少（比如少于500张），可以对该类做轻度数据增强后再参与训练。数据增强的具体策略后面单独讲，这里先记住一个原则：先看分布，再定策略，不要上来就无脑增强。
2.2 人脸裁剪与对齐：数据清洗不是玄学，是第一步
FER2013里的图像是48×48的灰度图，大多数已经包含人脸区域，但姿势、亮度、遮挡差异很大。直接用整图训练不是不行，但你的模型会把背景、衣领、头发都当成特征——这在测试集上看着没问题，一旦换个摄像头或者光线变了，准确率立刻垮掉。所以正规做法是做人脸检测和人脸对齐，再送入分类模型。
import cv2 import numpy as np def crop_face(image_array, detector): """从图像中检测人脸并裁剪出最大的一张。 image_array: 输入的图像数据，可能来自cv2或PIL detector: OpenCV DNN检测器或MTCNN的detect_faces 返回: 裁剪后的人脸图（含margin），如果没有检测到则返回原图 """ # OpenCV DNN检测器输入是BGR格式 faces = detector.detectMultiScale(image_array, 1.1, 5, minSize=(40, 40)) if len(faces) == 0: return image_array # 取面积最大的人脸，避免被背景里的小脸干扰 x, y, w, h = max(faces, key=lambda f: f[2] * f[3]) margin = int(0.2 * w) # 四周扩20%边缘，保留额头和下巴 x1 = max(0, x - margin) y1 = max(0, y - margin) x2 = min(image_array.shape[1], x + w + margin) y2 = min(image_array.shape[0], y + h + margin) return image_array[y1:y2, x1:x2]这段代码做了三件事：检测人脸、取最大人脸、按20%边距裁掉多余背景。为什么取最大人脸而不是所有人脸？因为FER2013每张图只有一个人脸主体，取最大能过滤掉数据集里偶尔出现的小尺寸噪点区域。margin参数按人脸宽度的比例计算而不是固定像素，这样大小脸都能保持相近的裁切风格。如果你用的是MTCNN，返回值里还会带关键点坐标，可以做仿射变换对齐眼睛和嘴巴，这里先不展开。
很多从GitHub拉下来的项目直接跳过这一步，用原始48×48图训练，理由是“能跑就行”。我的建议是：如果你是做毕业设计，这一步不能省，因为你答辩时一定会被问到“你的预处理流程是什么”以及“为什么这样做”——人脸对齐是能明显提升泛化能力的常规动作，回答好这个问题，比你多堆一层卷积都加分。
2.3 数据增强参数：别把增强开到把表情都扭曲了
数据增强在表情识别里特别容易走极端。常见的翻转、平移、缩放都问题不大，但要注意——垂直翻转绝对不能做，因为“嘴角上扬”翻过来就变成了“嘴角下垂”，真实世界的表情不是左右对称的。另外旋转角度要小，经验值是±10度以内，因为人脸稍有倾斜是正常的，但旋转超过15度，眼睛和嘴巴的相对位置关系就变样了，模型学到的会是“歪脸=某表情”这种伪特征。
from tensorflow.keras.preprocessing.image import ImageDataGenerator # 在线的实时增强，不额外占用磁盘空间 datagen = ImageDataGenerator( rotation_range=10, # 角度范围设为±10度 width_shift_range=0.1, # 水平平移10% height_shift_range=0.1, # 垂直平移10% horizontal_flip=True, # 水平翻转，表情左右对称，安全 zoom_range=0.1, # 缩放±10% brightness_range=[0.8, 1.2], # 亮度变化，应对不同摄像头 fill_mode='nearest' )这里的参数都设得保守，是有原因的。brightness_range是很多入门教程里漏掉的一项，但在实际摄像头场景里非常关键——实验室冷光灯和教室白炽灯下拍出来的人脸亮度差异很大，训练时学不到亮度鲁棒性，部署时就会翻车。fill_mode='nearest'表示旋转或平移后在图像边缘留出的空位用邻近像素填充，对灰度人脸图来说够用，比constant填充黑色更自然。
用ImageDataGenerator的另一个好处是增强在训练过程中实时生成，相当于每一轮训练看到的都是“略微不同”的图，等于免费扩大了训练集。但注意，增强只应用于训练集，验证集和测试集做归一化就好，不要做增强——否则验证指标不再反映模型在真实数据上的表现。
3. 模型选型与训练：从CNN基线到迁移学习的完整路径
3.1 为什么先跑一个CNN基线：学深度学习不是堆层数
很多人的第一个念头是“我要设计一个很深的网络”，但这个思路在表情识别上不划算。FER2013只有两万多张训练图，而且每张才48×48像素，信息量有限，深网络在这个尺度下很难发挥出优势，反而容易过拟合。我的建议是先搭一个结构清晰的浅层CNN作为基线，它能帮你快速验证数据管线是否畅通、loss是否能正常下降，然后再换更强的模型。
from tensorflow.keras import layers, models model = models.Sequential([ # 输入层：48×48灰度图，单通道 layers.Input(shape=(48, 48, 1)), # 第一层卷积：提取边缘和局部纹理 layers.Conv2D(32, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), # 第二层卷积：组合局部纹理成更高层特征 layers.Conv2D(64, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), # 第三层卷积：进一步抽象 layers.Conv2D(128, (3, 3), activation='relu', padding='same'), layers.BatchNormalization(), layers.MaxPooling2D((2, 2)), # 全连接分类头 layers.Flatten(), layers.Dense(128, activation='relu'), layers.Dropout(0.5), # 防过拟合，表情识别小数据必备 layers.Dense(7, activation='softmax') ]) model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) model.summary()这个网络只有三层卷积，参数量很小，在CPU上训练也能较快跑通。BatchNormalization放在卷积和激活之后，作用是把每层输出拉到均值为0方差为1，缓解梯度消失、加速收敛。Dropout(0.5)是表情识别里性价比最高的一个防过拟合手段，因为FER2013的样本量不足以支撑一个全连接层的所有参数，随机丢弃一半神经元能强制模型学到冗余特征。
训练这个基线网络时，重点不是追求准确率多高，而是观察训练loss是否在稳步下降——如果loss卡住不动，先检查数据预处理，往往是归一化漏了，或者标签是整数没转成one-hot编码。基线模型在FER2013公开测试集上通常在55%-65%之间，这个数看着不高，但它是后续所有改进的“对照组”。
3.2 迁移学习：用MobileNetV2做特征提取，新手最稳的路径
基线模型跑通之后，提高准确率的最快路径是迁移学习，而MobileNetV2几乎是表情识别最合适的预训练模型——它体积小（14MB左右）、推理速度快、在ImageNet上学到的特征对通用物体边缘和纹理有很强的表达能力。ResNet50更大，但在48×48的小图上优势不明显，而且训练和推理都慢。我用过VGG16和EfficientNet做过对比，在FER2013上效果接近，但MobileNetV2的部署友好度（CPU推理延迟约20-50ms）让它更适合毕业设计里“打开摄像头实时识别”的演示环节。
from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras.applications.mobilenet_v2 import preprocess_input # 加载预训练权重，但不要imagenet的全连接层 base_model = MobileNetV2(input_shape=(96, 96, 3), include_top=False, weights='imagenet') base_model.trainable = False # 先冻结，只训练分类头 inputs = layers.Input(shape=(96, 96, 3)) x = preprocess_input(inputs) x = base_model(x, training=False) x = layers.GlobalAveragePooling2D()(x) x = layers.Dropout(0.3)(x) outputs = layers.Dense(7, activation='softmax')(x) model = models.Model(inputs, outputs) model.compile(optimizer=adam_opt, loss='categorical_crossentropy', metrics=['accuracy'])这里有两个关键设计。第一，我把输入尺寸从48×48提升到96×96，因为MobileNetV2的下采样倍率是32，48×48输入经过5次下采样后只剩1.5×1.5个格子，语义信息被完全压没了；96×96则能保留3×3个特征格子，对表情这种需要“局部细节”的任务是必要的。第二，base_model.trainable = False表示冻结骨干网络，只训练新加的全连接层。数据量只有两万多张，如果整个网络一起训练，预训练学到的通用特征会被带偏，最后效果反而不如只训分类头。等分类头收敛后，再解冻骨干网络的后半部分做微调，这是标准的迁移学习节奏。
需要注意preprocess_input这个函数，MobileNetV2期望的输入是经过特定缩放的RGB图，不是随便归一化就行。如果你直接喂0-255的原始值，模型的表现会很不稳定——这类细节在教程里经常被一笔带过，但实际训练时影响至少两三个百分点的准确率。
3.3 训练参数设置：学习率、batch size、早停怎么看
迁移学习阶段的训练参数设置，我总结了一套比较稳定的默认值，直接照抄不会大翻车，按自己机器的显存情况微调即可。优化器用Adam，初始学习率1e-3；第一阶段冻结骨干只训练分类头，跑20个epoch左右收敛；然后解冻后半段网络，学习率降到1e-5，再训练10-15个epoch。batch size在16到64之间，取决于显存，但表情识别任务里batch size不宜太大，因为类别不均衡，batch太大会让多数类在每一步里占据绝对主导。
# 学习率衰减：训练后期不震荡，让loss稳定收敛 lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay( initial_learning_rate=1e-3, decay_steps=500, decay_rate=0.9 ) adam_opt = tf.keras.optimizers.Adam(learning_rate=lr_schedule) # 早停与权重保存 callbacks = [ tf.keras.callbacks.EarlyStopping(monitor='val_loss', patience=8, restore_best_weights=True), tf.keras.callbacks.ModelCheckpoint('best_emotion_model.h5', monitor='val_accuracy', save_best_only=True) ] history = model.fit(train_generator, epochs=30, validation_data=val_generator, callbacks=callbacks)ExponentialDecay每500步将学习率乘以0.9，相当于训练后期自动放慢更新步伐，避免在最优解附近震荡。EarlyStopping是最有价值的“后悔药”——patience设为8表示验证loss连续8个epoch不改善就停止训练，并自动回滚到验证loss最优的那一版权重；如果没有这个，新手往往会在过拟合之后继续训，最终拿到的模型在测试集上已经退化而不自知。ModelCheckpoint在每轮结束后自动保存验证准确率最高的一版权重，即使后来训练“跑飞”了，你手里永远有一份最佳状态。
整个训练阶段最常见的错误是：验证准确率已经在下降，训练准确率还在上升，然后强行跑满所有epoch。这里提前说破——这俩曲线背离就是典型的过拟合信号，正确反应是立刻停训练、调大Dropout或降低学习率，而不是换一个更复杂的网络。
4. 模型推理与系统集成：从“准确率”到“能用”的距离
4.1 推理脚本搭建：摄像头实时识别的最小实现
训练完模型后，大多数人会直接拿测试集图片算准确率，然后开始写界面。但这里有个容易被忽视的问题：训练流程里的预处理（人脸裁剪、缩放、归一化、三通道转换）在推理时能不能原样复现？实测中，很多人的模型在测试集上准确率不错，接摄像头后却一塌糊涂，究其原因就是推理脚本里的预处理和训练时不一致。下面的代码演示了一套完整的实时推理流程。
import cv2 import numpy as np from tensorflow.keras.models import load_model # 加载最佳权重 model = load_model('best_emotion_model.h5') face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml') label_map = ['angry','disgust','fear','happy','sad','surprise','neutral'] def predict_emotion(frame): """对单帧图像做推理，返回标签和置信度""" gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) faces = face_cascade.detectMultiScale(gray, 1.1, 5, minSize=(60, 60)) results = [] for (x, y, w, h) in faces: # 裁人脸并按训练时的习惯扩边 margin = int(0.2 * w) x1 = max(0, x - margin) y1 = max(0, y - margin) x2 = min(frame.shape[1], x + w + margin) y2 = min(frame.shape[0], y + h + margin) face_roi = gray[y1:y2, x1:x2] # 关键一步：单通道灰度图重复三次转三通道 face_roi = cv2.resize(face_roi, (96, 96)) face_rgb = cv2.cvtColor(face_roi, cv2.COLOR_GRAY2RGB) face_norm = face_rgb / 255.0 input_tensor = np.expand_dims(face_norm, axis=0) # 推理 probs = model.predict(input_tensor, verbose=0)[0] idx = int(np.argmax(probs)) results.append((x, y, w, h, label_map[idx], float(probs[idx]))) return results这个脚本的核心逻辑是：灰度化、检测人脸、裁剪、缩放、灰度转三通道、归一化、送入模型。第25行把单通道灰度图重复成三通道，是配合MobileNetV2的输入要求——它在ImageNet上学的是RGB三通道特征，你只给一个通道它就用不起来。如果漏了这步，模型接收到的输入分布和训练时完全不一致，输出的类别概率会几乎平均分配，表现为“什么表情都识别不出来”。另外注意，我这里face_rgb / 255.0用的是最朴素的归一化方式，因为MobileNetV2在微调时用的是这种方式；有些人会用preprocess_input的均值归零化，两者选一即可，关键是训练和推理时必须一致。
detectMultiScale的minSize=(60, 60)表示忽略边长小于60像素的人脸。如果摄像头离人太远，人脸框太小，表情特征不清晰，强行送进模型也只是浪费算力。这个值可以根据你演示时的实际距离调整。
4.2 表情识别后处理：置信度阈值与平滑策略
实时推理和离线评测最大的不同是：离线评测只关心“这张图是什么表情”，实时系统还必须处理“连续帧之间预测结果跳变”的问题。摄像机每秒钟采30帧，模型对相邻帧的预测大概率一致，但偶尔会有一两帧把“中性”误判成“难过”，体现在界面上就是文字飞速闪跳，非常影响答辩观感。
class EmotionBuffer: """滑动窗口平滑，用最近N帧的投票结果替代单帧判决""" def __init__(self, window_size=5): self.window = [] self.window_size = window_size def update(self, label, confidence): # 置信度低于阈值时不采纳，直接沿用上一轮结果 if confidence < 0.4: return self.current() self.window.append(label) if len(self.window) > self.window_size: self.window.pop(0) # 丢弃最旧的一帧 # 取窗口内出现次数最多的表情 counts = {} for item in self.window: counts[item] = counts.get(item, 0) + 1 return max(counts, key=counts.get) def current(self): return self.window[-1] if self.window else 'neutral'我一般会设置两个参数：置信度阈值0.4，窗口大小5。置信度低于0.4意味着模型自己都没有把握，这时候不更新结果比强行给一个答案更安全——你可以观察到，很多人脸在侧脸、遮挡状态下，模型输出的最高置信度往往在0.3左右徘徊，这时候界面保持上一状态反而更自然。窗口大小为5大约对应0.2秒的延时，人眼几乎感觉不到滞后，但能滤掉大部分随机跳变。这套方案比单纯用置信度阈值更稳，是我反反复复调过若干次后沉淀下来的做法。
4.3 系统界面与数据流：别让UI吃掉你的帧率
毕业设计如果要求做一个可视化系统，常见的技术栈是PyQt5或Tkinter做界面，OpenCV负责画面采集和显示。这里最普遍的性能瓶颈不是模型推理本身，而是UI线程和推理线程互相阻塞。如果你在Tkinter的mainloop里直接做模型推理，鼠标每拖动一下窗口就会卡顿半秒，答辩演示时非常尴尬。标准做法是开两个线程：采集线程负责读摄像头和推理性，主线程只负责界面刷新。
import threading import queue import time class EmotionRecognitionApp: def __init__(self): self.cap = cv2.VideoCapture(0) # queue容量设为2，放满则丢弃最旧帧，保证推理永远处理最新画面 self.frame_queue = queue.Queue(maxsize=2) self.result_queue = queue.Queue(maxsize=2) self.running = True def capture_loop(self): """采集线程：每50ms读一帧，丢入待处理队列""" while self.running: ret, frame = self.cap.read() if ret: if self.frame_queue.full(): try: self.frame_queue.get_nowait() except queue.Empty: pass self.frame_queue.put(frame) time.sleep(0.05) def inference_loop(self): """推理线程：从队列取帧，计算表情结果""" while self.running: try: frame = self.frame_queue.get(timeout=0.1) except queue.Empty: continue results = predict_emotion(frame) self.result_queue.put((frame, results)) def start(self): threading.Thread(target=self.capture_loop, daemon=True).start() threading.Thread(target=self.inference_loop, daemon=True).start()这段代码把采集和推理解耦，daemon=True让线程随主程序退出而终止。frame_queue容量设为2而且是先进先出，如果推理速度跟不上采集速度，就丢弃旧帧取最新帧——这保证了界面显示的永远是当前画面，而不是积压的过期数据。对UI课设来说，这已经能达到“流畅演示”的基本要求；如果你还想更精细，可以把推理结果按帧时间戳与界面同步，但毕业设计做到上一步已经足够应付大多数答辩场景。
5. 表情识别的5个翻车现场：从现象到根治
5.1 训练集准确率95%，摄像头一开就“全员中性”
这个现象在表情识别里实在太常见了。原因是训练数据是FER2013，它采集自实验室条件下的正面人脸，且都是48×48的低分辨率图；而摄像头画面是1080p彩色图，环境光照、人脸角度、遮挡情况完全不同，模型在分布外数据上直接失效。解决思路分成三层：先确认推理脚本的预处理和训练完全一致；其次把摄像头采集到的人脸图像保存下来，实时脚本里加一句cv2.imwrite('face_debug.jpg', face_roi)，逐步排查是哪一步引入的偏差；最后如果确认预处理没问题但效果依然差，就不是代码问题而是领域差距问题，需要在你的真实摄像头数据上做微调——哪怕只收集几百张自己在不同光照下的人脸图，微调后效果都会有质的提升。
5.2 用了OpenCV自带的人脸检测器，侧脸直接漏检
Haar Cascade检测器对正脸非常敏感，但只要人脸侧过约40度，它就检测不出来了，这在答辩现场很容易被“你转一下头试试”这种问题击中。解决方法是换用MTCNN或OpenCV的DNN人脸检测器。MTCNN的检测率全面优于Haar，但模型体积更大、推理速度慢一些；OpenCV DNN版使用ResNet10的SSD网络，速度与Haar接近，检出率明显更好。我的一份推荐配置是：焦外场景用Haar（速度快），答辩演示用MTCNN（效果好），这个取舍普通用户基本无感，但对最终识别率影响很大。
5.3 数据增强把“悲伤”增强成了“惊讶”
这是一个容易被忽视的细节。比如width_shift_range=0.2（水平平移20%）看起来问题不大，但如果人脸一开始就略微偏向左侧，平移后嘴巴位置可能落到眼睛附近，人眼都很难判断表情，模型自然更学不到稳定特征。解决方法是把增强参数收敛到我在2.3节给出的范围，同时每次增强后人工抽样20张图看一眼——视觉检查虽然原始，但对这类小尺寸单通道图像来说是最高效的质检手段。只要增强后的图人眼依然能辨认表情，模型就大概率也能。
5.4 类权重和加权损失用错，导致少数类识别率反而下降
第一种常见错误是直接给每个类别乘上“总样本除以类样本数”的权重，结果少数类的loss被放大到让模型为了拟合这几百个样本而牺牲多数类。第二种错误是用了class_weight参数外包给Keras，但验证集仍然用均匀分布。正确做法是让权重温和一些：权重上限不超过3，并且在小批量训练中对少数类样本做按比例的过采样而不是简单复制。换到评估方式上，不要只看整体准确率，要输出每类的召回率，确认“厌恶”和“恐惧”这两类有没有达到可接受的基线。
5.5 答辩演示时突然卡死：罪魁祸首是GPU显存不够
很多人训练用GPU，但答辩演示用的是自己的笔记本，一旦环境没有GPU，模型推理慢到1帧要300ms，加上UI刷新线程相互阻塞，整个程序就假死了。解决方式有两种：推理代码里加一个import tensorflow as tf，然后统一用tf.device('/cpu:0')显式指定推理设备，避免TensorFlow去抢不存在或者性能很差的GPU；更优的方案是对模型做INT8量化，MobileNetV2量化后体积缩小到原来的四分之一，CPU推理速度可以提升3到5倍，准确率下降通常不超过2%，这个我在第6章单独展开。
6. 答辩前的验证与加分项：模型量化与鲁棒性测试
6.1 本地验证脚本：自己先当一回测评员
答辩前你以为的“模型效果不错”，和你实际在真实条件下测出来的，很可能不是一回事，所以你需要统一评测脚本，把线下测试集和真实场景分开评估。线下测试集（FER2013公开测试集）反映模型的基准能力，真实场景评估则是录一段自己对着摄像头做各种表情的视频，每1秒抽一帧标注。
# evaluate_real_video.py import cv2, numpy as np from collections import Counter LABEL_MAP = ['angry','disgust','fear','happy','sad','surprise','neutral'] def evaluate_video(video_path='demo.mp4', model_path='best_emotion_model.h5'): cap = cv2.VideoCapture(video_path) frame_count = 0 predictions = [] while True: ret, frame = cap.read() if not ret: break # 每5帧抽1帧，相当于每秒约6次推理 if frame_count % 5 == 0: results = predict_emotion(frame) if results: _,_,_,_,label,_ = results[0] predictions.append(label) frame_count += 1 cap.release() print(Counter(predictions))这段脚本重点不在预测准确率，而在考察一个更重要的指标：预测分布是否合理。如果你录了一段“先平静10秒，然后大笑5秒”的视频，输出的分布应该是中性占大多数、开心占一定比例；如果输出全是“中性”，说明模型对开心表情识别存在明显的系统性偏差，需要回看预处理或增加真实数据微调。这套验证的价值在于它把“模型指标”和“演示效果”对齐了，避免你到答辩现场才发现表情标签迟迟不切换这种悲剧。
6.2 三件加分的事：混淆矩阵、推理时延、域适应微调
第一件，是输出7分类的混淆矩阵并分析最容易混淆的是哪些类别对。在FER2013里，最常混淆的是“恐惧”与“惊讶”——因为恐惧时眼睛睁大、嘴巴张开，与惊讶的肌肉运动模式重叠；其次是“难过”与“中性”。答辩时你能主动说出这两组混淆对，比干巴巴报准确率更能展示你对任务的理解深度。
from sklearn.metrics import confusion_matrix, classification_report import seaborn as sns import matplotlib.pyplot as plt y_true = [...真实标签...] y_pred = [...模型预测...] cm = confusion_matrix(y_true, y_pred) plt.figure(figsize=(8, 6)) sns.heatmap(cm, annot=True, fmt='d', cmap='Blues', xticklabels=LABEL_MAP, yticklabels=LABEL_MAP) plt.xlabel('Predicted Emotion') plt.ylabel('True Emotion') plt.savefig('confusion_matrix.png', dpi=150)第二件，是测一组推理时延数据。给别人演示前，至少在三种设备上记录：有GPU的台式机、普通笔记本CPU、你自己答辩用的那台。你可以在代码里用time.perf_counter()包住每次model.predict调用，统计平均值——只要CPU推理每帧低于100ms，展示效果就处于可接受区间。如果超出，就把输入尺寸从96×96降到64×64再测一次，或者做量化。
第三件，是本方向最值得投入的加分项：域适应微调。具体做法是找一个你的真实摄像头录下大约300张人脸图，手工标好7类表情，然后在当前模型基础上用学习率1e-5继续训练10个epoch。这一步能让模型在“你答辩的那个环境”下表现大幅改善，而且工作量不大，300张图标起来一个小时就能标完。答辩时你可以直接说“在模型上线前，我用自采数据做了轻量微调以适配教室环境”，这句话本身就是一个很好的技术加分点。
最后说一个我自己的习惯吧。每次做完这几个方向的项目，我都会把最佳权重、训练日志和推理脚本打成一个带日期的压缩包单独留存。因为模型训练这件事本质上是个“过程值”——你今天跑出的结果和三个月后复现的结果不一定完全一致，保留现场版本是给自己留一道保险。测试集上0.68，摄像头前0.8，可能都不够完美，但它能证明你对整条链路有完整的理解和控制力，而这正是毕业设计真正要考核的东西。希望这些参数、代码和踩坑经验能帮到你少走一半弯路。
本文还有配套的精品资源，点击获取
