不使用深度学习，基于fer2013，用python编写人脸表情识别训练分类器

好的，我可以简单介绍一下基于fer2013数据集的人脸表情识别的方法。

首先，fer2013数据集包含了35,887张48x48像素的灰度图像，每张图像都有一个标签，表示对应的表情类别，一共有7类表情：生气、厌恶、恐惧、快乐、悲伤、惊讶、中性。我们可以使用这个数据集来训练一个分类器，实现人脸表情识别的功能。

具体实现步骤如下：

1. 读取数据集

首先，我们需要从fer2013.csv文件中读取数据集。可以使用pandas库来读取csv文件，代码如下：

import pandas as pd

data = pd.read_csv('fer2013.csv')

2. 数据预处理

接下来，我们需要对数据进行预处理，包括将像素值转化为图像、将数据分割为训练集和测试集、对图像进行归一化等操作。具体代码如下：

import numpy as np
from sklearn.model_selection import train_test_split

# 将像素值转化为图像
def pixels_to_image(pixels):
    image = np.array(pixels.split())
    image = image.astype(np.int)
    image = image.reshape((48, 48))
    return image

# 对图像进行归一化
def normalize_image(image):
    image = image / 255.0
    return image

# 对数据进行预处理
def preprocess_data(data):
    X = []
    y = []

    for index, row in data.iterrows():
        if row['Usage'] == 'PrivateTest':
            X.append(normalize_image(pixels_to_image(row['pixels'])))
            y.append(row['emotion'])

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

    X_train = np.array(X_train)
    X_train = X_train.reshape(-1, 48, 48, 1)

    X_test = np.array(X_test)
    X_test = X_test.reshape(-1, 48, 48, 1)

    y_train = pd.get_dummies(y_train).to_numpy()
    y_test = pd.get_dummies(y_test).to_numpy()

    return X_train, X_test, y_train, y_test

X_train, X_test, y_train, y_test = preprocess_data(data)

3. 训练分类器

接下来，我们可以使用keras库来训练一个卷积神经网络分类器。具体代码如下：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Dropout, Flatten, Dense

# 定义模型结构
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(48, 48, 1)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(7, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, batch_size=32, epochs=30, validation_data=(X_test, y_test))

4. 测试分类器

最后，我们可以使用测试集来测试训练好的分类器的准确率。具体代码如下：

score = model.evaluate(X_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

以上就是基于fer2013数据集实现人脸表情识别的简单方法。当然，如果想要更好的准确率，还可以尝试使用更复杂的模型或者进行数据增强等操作。