级联分类器，完成的车辆和人脸识别的训练集，调用即可使用

由 BioID 提供的 face dataset 包含 1521 张分辨率为 384×286 的灰色图片，每张图片皆为 23 位不同测试者的正脸照。另外，该数据集还提供每张图像的双眼位置信息，用以面部检测等领域的研究。该数据集的图像文件以 pgm 格式保存，双眼位置信息则以名为.eye 的文本信息储存，用 x、y 坐标表示左眼和右眼的位置。

VGG – Face Dataset 是爬取网页上名人图片的数据集，其中包含 2622 个名人图片，该数据集旨在与流行的面部识别基准数据集没有重叠，其中包括 Labeled Faces in the Wild（LFW），YouTube Faces Dataset 和 IARPA Janus Benchmark A (IJB-A)。

CMU Frontal Face Images Dataset 是一个用于人脸识别和身份鉴定的图像数据集，包含 511 个闭合的人脸图像，其中有 130 个是正面的人脸图像，所有图片均为黑白的 GIF 格式。 CMU – MIT Dataset 由卡内基·梅隆大学和麻省理工学院于 2016 年联合发布。

FaceShifter —非官方的PyTorch实施 非官方实现借助。 在本文中，有两个用于全流水线的网络，即AEI-Net和HEAR-Net。 我们仅实现AEI-Net，这是用于人脸交换的主要网络。 数据集 准备资料 您需要下载并解压缩： CelebA-HQ（） VGGFace（） 预处理数据 预处理代码主要基于Nvidia的FFHQ预处理代码。 您可以使用多种处理功能修改我们的预处理程序，以更快地完成预处理步骤。 # build docker image from Dockerfile docker build -t dlib:0.0 ./preprocess # run docker container from image docker run -itd --ipc host -v /PATH_TO_THIS_FOLDER/preprocess:/workspace -v

超人梭子鱼 UltraFaceBarracuda是一个Unity示例项目，显示了如何在Unity 上运行脸检测神经网络模型。 有关UltraFace（“ Ultra-Light-Fast-Generic-Face-Detector-1MB”）模型的详细信息，请参见。 系统要求 统一2020.2 梭子鱼1.3.0 样例场景 静态图像测试 StaticImageTest使用给定的单个图像运行面部检测模型。 它使用Unity UI系统可视化边界框，该边界框显示了如何通过简单的C＃脚本使用检测结果。 网络摄像头测试 WebcamTest使用来自与UVC兼容的视频捕获设备（网络摄像机，HDMI捕获等）的视频流来运行面部检测模型。 它使用间接绘图来绘制边界框-换句话说，它可以可视化检测结果，而无需GPU-to-CPU的回读，因此它可以以高性能的方式运行。 您还可以设置纹理来装饰边框。

将winder数据集转换为 VOC格式，可用于人脸检测训练

将开源winder数据集进行格式转换，转换成VOC格式，可用于人脸检测训练与测试

dlib库中所需的人脸检测预训练模型文件，mmod_human_face_detector.dat。

用于面部识别的计算机视觉算法概述。 本文的主要思想是探索一种算法，该算法可用于具有合适方法和可用输入的生物识别考勤系统。 该算法主要使用面向直方图的梯度来寻找人脸、估计人脸地标、支持向量机识别人脸和深度卷积网络来比较人脸。 文章中描述了面部识别的基础和科学程序。 还开发了一个基本应用程序，以标记人脸出现的时间是 .csv 格式并标记出勤。 本文主要使用 dlib 和 face_recognition 库来提供功能。