传统方法表情识别，基于fer2013,用python定义一个功能全面的特征提取函数

传统方法的表情识别通常采用基于人工设计的特征提取方法。其中，fer2013是一个常用的数据集，包含了7种基本表情（愤怒、厌恶、恐惧、快乐、伤心、惊讶、中性）的28,709张人脸图片。

下面是一个基于Python的特征提取函数的简单示例：

import cv2
import numpy as np

def feature_extraction(img):
    # 将彩色图像转换为灰度图像
    gray = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
    
    # 计算图像的直方图均衡化
    equ = cv2.equalizeHist(gray)
    
    # 提取LBP特征
    radius = 1
    n_points = 8 * radius
    lbp = np.zeros_like(gray)
    for i in range(radius, gray.shape[0] - radius):
        for j in range(radius, gray.shape[1] - radius):
            center = gray[i, j]
            for k in range(n_points):
                x = i + int(radius * np.cos(2 * np.pi * k / n_points))
                y = j - int(radius * np.sin(2 * np.pi * k / n_points))
                lbp[i, j] |= (gray[x, y] > center) << k
    
    # 提取图像的HOG特征
    winSize = (64, 128)
    blockSize = (16, 16)
    blockStride = (8, 8)
    cellSize = (8, 8)
    nbins = 9
    hog = cv2.HOGDescriptor(winSize, blockSize, blockStride, cellSize, nbins)
    hog_feats = hog.compute(img)
    
    # 将特征串联起来
    features = np.hstack((equ.ravel(), lbp.ravel(), hog_feats.ravel()))
    
    return features

该函数接受一个RGB图像作为输入，并输出一个包含直方图均衡化、LBP和HOG三种特征的一维向量。其中，LBP和HOG是两种常用的局部特征，用于描述图像的纹理和形状信息。在这里，我们使用了OpenCV库中的cv2.equalizeHist()、HOGDescriptor()和compute()函数来计算这些特征。