人脸表情识别在医疗、教育、游戏、辅助驾驶等领域都体现出了重要价值。近些年不断有新的算法、模型和训练技术被提出,而且已经面向应用场景开发了人脸表情识别系统。本文面向校园安防特定应用场景中安管人员的实际需求:在一些对安全保密性要求更高、闲杂人等不可轻易进出的场所进行人员安全程度的快速度量,将表情作为评价因素对人员安全度进行度量,作为从情绪角度提供安全度的一个探索。实验室中的人脸表情识别模型实现了97%以上的精度,但是由于人脸姿态、灯光、物体遮蔽程度等因素的直接影响,在面向真实场景下的表情分类准确率往往做到50%以上。深度学习的兴起为人脸表情识别提供了新的方向,但卷积神经网络需要较长的训练周期和深层的网络设计,会出现计算量大、梯度弥散等问题。针对以上问题,本文面向校园安防实际应用的需求,旨在提升人脸表情分类准确率的同时,减少参数量和网络层级,满足实际应用的速度要求后实现人脸表情识别系统,验证工程实践的落地成果,主要工作和创新点如下:1、人脸表情识别的图像来源于闸机、摄像头等设备,在对数据的预处理方面,通过搭建训练SSD模型进行人脸检测,用于将人脸从图像中提取出来,随后搭建和训练了SENet和Res Net结合的模型用于人脸特征关键点检测,得到人脸关键特征点并进行人脸对齐。得到人脸特征关键点之后,用SVM方法进行了人脸表情传统几何特征的提取和分类,实现了具有良好效果的人脸表情识别模型。2、为满足应用场景的模型轻量化、快速化需求,针对目前卷积神经网络结构复杂、层数过多计算速度慢的问题,提出了一个结合了点卷积层、平均池化层和大卷积核的基于二维卷积神经网络的改进轻量级表情识别方法。该方法的优点是在达到主流表情识别率的同时,网络层级较浅,参数量和模型尺寸较小,训练时对计算速度和资源要求较低,在Jaffe、CK+两个数据集上相比于原始CNN识别准确率提升了1.21%、1.76%,在FER2013数据集和其他主流算法对比也实现了不错的效果。3、面向校园安防应用场景,以表情识别结果作为评价因素设计了进出人员安全度评价算法,算法采用模糊评价方法对人员安全程度这类比较不清晰的问题给出定量化的评价。以上述训练的轻量级表情识别模型为基础,通过闸机、摄像头等获取人脸图像数据进行表情的预测,然后将预测结果作为评价因素进行人员安全度评分的计算,最后得到评价结果并输出显示,实现了人脸表情识别系统,为当代高校安全管理提供一条新的思路和方案,提高了安全管理智能化水平。