FERPlus人脸表情识别数据集-包含约47505张48x48灰度图像覆盖8种基本表情支持深度学习计算机视觉与情感计算研究及模型训练

# FERPlus人脸表情识别数据集深度分析报告

## 引言与背景

人脸表情识别（Facial Expression Recognition, FER）是计算机视觉和情感计算领域的核心研究方向之一，在人机交互、心理健康监测、智能安防、广告效果评估等领域具有广泛的应用前景。深度学习技术的快速发展极大地推动了表情识别算法的进步，而高质量标注数据集的可用性在这一过程中起到了关键作用。FERPlus数据集正是在这一背景下诞生的经典基准数据集，它基于原始的FER2013数据集进行了重新标注，提供了更准确、更细粒度的表情类别标签。

本数据集（FERPlus）共包含约47,505张48×48像素的灰度人脸图像，图像来源于互联网人脸图像经过自动对齐处理后生成。数据集划分为训练集（train）和测试集（test）两个部分，其中训练集包含约43,932张图像，测试集包含约3,573张图像。每张图像按照人脸表情类别进行组织，覆盖了愤怒（angry）、轻蔑（contempt）、厌恶（disgust）、恐惧（fear）、快乐（happy）、中性（neutral）、悲伤（sad）和惊讶（surprise）共8种基本表情类别。训练集中部分类别还包含通过数据增强技术生成的扩充图像，以提高模型的泛化能力和类别平衡性。数据集以原始图像文件（PNG格式）的形式提供，按表情类别分文件夹组织，便于直接用于深度学习框架的训练和评估。

## 数据基本信息

### 数据字段说明

本数据集以图像文件形式组织，不包含传统的表格型元数据文件。每张图像对应一个包含表情标签的文件路径，具体数据结构如下：

| 字段名称 | 字段类型 | 字段含义 | 数据示例 | 完整性 |
|---------|---------|---------|---------|--------|
| 图像文件 | PNG格式 | 48×48像素灰度人脸图像 | fer0000010.png, augmented_1.png | 100% |
| 目录名称 | 字符串 | 表情类别标签 | angry, happy, neutral, sad, surprise | 100% |
| 数据划分 | 字符串 | 训练集/测试集标识 | train, test | 100% |
| 图像尺寸 | 整数对 | 48×48像素 | 48×48 | 100% |
| 颜色通道 | 整数 | 灰度单通道 | 1 | 100% |
| 文件名前缀 | 字符串 | 标识是否为增强数据 | fer（原始）, augmented（增强） | 100% |

### 数据分布情况

#### 表情类别分布（训练集）

| 表情类别 | 原始图像 | 增强图像 | 总计 | 占比 |
|---------|---------|---------|------|------|
| angry（愤怒） | 2,476 | 5,524 | 8,000 | 18.2% |
| contempt（轻蔑） | 170 | 7,830 | 8,000 | 18.2% |
| disgust（厌恶） | 195 | 7,805 | 8,000 | 18.2% |
| fear（恐惧） | 659 | 7,341 | 8,000 | 18.2% |
| happy（快乐） | 7,537 | 463 | 8,000 | 18.2% |
| neutral（中性） | 3,932 | 0 | 3,932 | 9.0% |
| 合计 | 14,969 | 28,963 | 43,932 | 100.0% |

#### 表情类别分布（测试集）

| 表情类别 | 图像数量 | 占比 |
|---------|---------|------|
| neutral（中性） | 1,274 | 35.7% |
| happy（快乐） | 929 | 26.0% |
| surprise（惊讶） | 450 | 12.6% |
| sad（悲伤） | 449 | 12.6% |
| angry（愤怒） | 322 | 9.0% |
| fear（恐惧） | 98 | 2.7% |
| contempt（轻蔑） | 30 | 0.8% |
| disgust（厌恶） | 21 | 0.6% |
| 合计 | 3,573 | 100.0% |

#### 数据增强分布

| 数据类型 | 训练集数量 | 测试集数量 |
|---------|-----------|-----------|
| 原始图像（fer*） | 14,969 | 3,573 |
| 增强图像（augmented*） | 28,963 | 0 |
| 总计 | 43,932 | 3,573 |

#### 数据集规模汇总

| 统计项 | 数值 |
|-------|------|
| 图像总数 | 约47,505张 |
| 图像尺寸 | 48×48像素 |
| 色彩空间 | 灰度（单通道） |
| 文件格式 | PNG |
| 表情类别数 | 8种 |
| 训练集图像数 | 43,932张 |
| 测试集图像数 | 3,573张 |
| 组织方式 | 按类别分文件夹 |

## 数据优势

| 优势特征 | 具体表现 | 应用价值 |
|---------|---------|---------|
| 完整原始图像文件 | 数据集包含47,505张完整的PNG格式灰度人脸图像 | 可直接用于图像分类、特征提取和深度学习模型训练 |
| 细粒度表情分类 | 覆盖8种基本表情类别，包括轻蔑等细粒度类别 | 支持更精细的情感分析研究 |
| 数据增强样本 | 训练集包含28,963张增强图像，平衡了类别分布 | 提高模型在少样本类别上的泛化能力 |
| 标准化图像尺寸 | 所有图像统一为48×48像素 | 无需预处理即可直接输入深度学习模型 |
| 训练测试分离 | 数据已按训练集和测试集划分 | 便于模型评估和跨研究结果对比 |
| 经典基准数据集 | FERPlus是表情识别领域的标准基准数据集 | 研究结果具有可比性和参考价值 |

## 数据样例

由于数据集包含完整的原始图像文件，以下以文件列表和路径结构的形式展示数据组织方式：

### 目录结构样例

FERPlus/
├── train/
│   ├── angry/           # 愤怒表情（8,000张）
│   │   ├── fer0000010.png
│   │   ├── fer0000022.png
│   │   ├── ...          # 2,476张原始图像
│   │   ├── augmented_1.png
│   │   ├── augmented_2.png
│   │   ├── ...          # 5,524张增强图像
│   ├── contempt/        # 轻蔑表情（8,000张）
│   ├── disgust/         # 厌恶表情（8,000张）
│   ├── fear/            # 恐惧表情（8,000张）
│   ├── happy/           # 快乐表情（8,000张）
│   └── neutral/         # 中性表情（3,932张）
└── test/
    ├── angry/           # 愤怒表情（322张）
    ├── contempt/        # 轻蔑表情（30张）
    ├── disgust/         # 厌恶表情（21张）
    ├── fear/            # 恐惧表情（98张）
    ├── happy/           # 快乐表情（929张）
    ├── neutral/         # 中性表情（1,274张）
    ├── sad/             # 悲伤表情（449张）
    └── suprise/         # 惊讶表情（450张）

### 图像文件样例说明

每张图像为48×48像素的灰度人脸图像，原始图像文件命名规则为fer+7位数字编号（如fer0000010.png），增强图像文件命名规则为augmented_+数字编号（如augmented_1.png）。

#### 训练集各类别代表性文件

| 类别 | 原始文件名示例 | 增强文件名示例 |
|-----|--------------|--------------|
| angry | fer0000010.png, fer0000022.png | augmented_1.png, augmented_10.png |
| contempt | fer0000021.png, fer0000051.png | augmented_1.png, augmented_10.png |
| disgust | fer0000011.png, fer0000013.png | augmented_1.png, augmented_10.png |
| fear | fer0000021.png, fer0000051.png | augmented_1.png, augmented_10.png |
| happy | fer0000001.png, fer0000003.png | augmented_1.png, augmented_100.png |
| neutral | fer0000012.png, fer0000015.png | 无增强数据 |

#### 测试集各类别代表性文件

| 类别 | 文件名示例 | 数量 |
|-----|-----------|------|
| angry | fer0032225.png, fer0032228.png | 322张 |
| fear | fer0032271.png, fer0032275.png | 98张 |
| happy | fer0032227.png, fer0032229.png | 929张 |
| sad | fer0032222.png, fer0032250.png | 449张 |

## 应用场景

### 深度学习表情识别模型训练与评估

FERPlus数据集最核心的应用场景是基于深度学习的表情识别模型训练和评估。数据集的47,505张图像为卷积神经网络（CNN）等深度学习模型提供了充足的训练数据，统一的48×48像素尺寸使得图像可以直接输入模型，无需额外的预处理步骤。研究人员可以利用该数据集训练从经典CNN架构（如VGG、ResNet）到最新的轻量级网络（如MobileNet、EfficientNet）等各种模型，并与其他研究者在同一基准上进行公平比较。测试集的3,573张图像按类别分布涵盖了8种表情，可以全面评估模型在不同表情类别上的识别性能。对于样本量较少的类别（如测试集中厌恶仅21张、轻蔑仅30张），研究人员可以探索少样本学习、元学习等方法提升识别效果。此外，训练集中包含的28,963张增强图像本身就是数据增强技术的应用实例，研究人员可以在此基础上进一步探索更先进的增强策略，如生成对抗网络（GAN）增强、风格迁移等。

### 类不平衡学习与数据增强方法研究

FERPlus数据集在训练过程中面临显著的类不平衡问题。测试集中各类别的样本数量差异巨大：中性类别有1,274张（占35.7%），而厌恶类别仅21张（占0.6%）。这种极端的不平衡分布为类不平衡学习方法的研究提供了理想的实验平台。研究人员可以探索过采样、欠采样、代价敏感学习、集成学习等传统不平衡处理方法，也可以研究基于生成模型的合成样本生成方法。值得注意的是，训练集中已经应用了数据增强技术来平衡部分类别（如轻蔑从170张扩充到8,000张，厌恶从195张扩充到8,000张），这为研究数据增强对模型性能的影响提供了天然的对比实验设计。研究人员可以分析增强数据在不同类别上的效果差异，探索针对不同表情类别的最优增强策略。同时，数据集可以用于研究迁移学习在少样本表情识别中的应用，利用在大规模数据集上预训练的模型在FERPlus上进行微调。

### 情感计算与人机交互系统开发

人脸表情识别是情感计算技术的核心组成部分，FERPlus数据集为情感计算和人机交互系统的开发提供了重要的数据基础。基于该数据集训练的表情识别模型可以集成到多种实际应用系统中，例如：智能教育系统可以通过分析学生的面部表情实时评估课堂参与度和理解程度；心理健康监测应用可以通过长期跟踪用户的情绪变化趋势，早期发现抑郁、焦虑等心理问题；智能广告系统可以根据观众的表情反应评估广告效果，优化广告内容投放策略。在测试集中，快乐（929张）和中性（1,274张）是样本量最大的两个类别，这符合实际应用中的表情分布特征——在日常生活中，大多数人的表情处于中性或积极状态，而强烈的负面表情（如厌恶、轻蔑）相对较少。这种分布特征使得FERPlus训练的模型更接近真实应用场景的表现。

### 跨数据集表情识别泛化能力评估

FERPlus作为表情识别领域的经典基准数据集，可以用于评估模型在不同数据集之间的泛化能力。研究人员可以将在FERPlus上训练的模型直接应用于其他表情识别数据集（如CK+、MMI、AffectNet等），评估模型的跨数据集迁移性能；也可以将其他数据集上训练的模型在FERPlus测试集上进行评估，分析不同数据标注标准对模型性能的影响。此外，FERPlus数据集本身是基于FER2013重新标注的版本，其标注质量更高，研究人员可以对比分析在两个版本上训练的模型性能差异，研究标注质量对深度学习模型训练的影响。测试集中的8种表情类别与常用的表情分类体系（如Ekman的六种基本情绪加轻蔑和中性）一致，方便与历史研究结果进行对比分析。

## 结尾

FERPlus人脸表情识别数据集是一个高质量、标准化的表情识别基准数据集，包含约47,505张48×48像素的灰度人脸图像，涵盖愤怒、轻蔑、厌恶、恐惧、快乐、中性和惊讶共8种基本表情类别。数据集已按照训练集（43,932张）和测试集（3,573张）划分，并按照表情类别分文件夹组织。

本数据集的核心价值在于其标准化的图像尺寸、完整的原始图像文件、细粒度的表情分类体系以及包含数据增强样本的丰富训练数据。作为表情识别领域的经典基准数据集，FERPlus广泛应用于深度学习表情识别模型训练、类不平衡学习方法研究、情感计算与人机交互系统开发以及跨数据集泛化能力评估等多个研究和应用方向，是计算机视觉和情感计算领域不可或缺的数据资源。