头部姿势估计 使用TensorFlow和OpenCV进行实时人头姿势估计。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 先决条件 该代码已在Ubuntu 20.04上进行了测试。 正在安装 该存储库已经提供了用于面部标志检测的预训练模型。 只是git clone然后就可以了。 # From your favorite development directory: git clone https://github.com/yinguobing/head-pose-estimation.git 跑步 视频文件或摄像头索引应通过参数分配。 如果未提供任何来源

信息抽取，或者所论文头部信息抽取需要的数据集，这里只放了论文头部抽取所需要的数据集，并不是整个cora数据集，整个的很大有几百兆，这里不可能放的下

头部相关传递函数 (HRTF) 音频信号处理器。 概述 HRTF 代表 ，仅适用于空间声音。 对于每个这样的声源，经过 HRTF 处理后，您可以明确地分辨出声音来自哪个位置。 换句话说，HRTF 将声音感知提高到现实生活的水平。 HRIR 球体 该板条箱使用头部相关脉冲响应 (HRIR) 球体来创建 HRTF 球体。 HRTF球体是3D空间中的一组点，这些点连接到形成三角形球体的网格中。 每个点都包含左耳和右耳的频谱，用于修改来自每个空间声源的样本以创建双耳声音。 HRIR 球体可以在找到。 来自底座的 HRIR 球体以 44100 Hz 采样率记录，此板条箱会自动重新采样到您的采样率。 表现 HRTF很重，这是必不可少的，因为 HRTF 需要一些繁重的数学运算（快速傅立叶变换、卷积等）和大量内存复制。 已知问题 该渲染器仍然会在非常快速移动的声音中听到小的咔嗒声，咔嗒声听起来更像是“嗡嗡

四足机器人步态 四足机器人的小跑、爬行、转弯步态（鳄鱼灵感）。 还包括通过头部红外传感器检测障碍物。 视频： :

Hopenet是一个精确且易于使用的头部姿态估计网络。 模型已经在300W-LP数据集上进行了训练，并且已经在具有良好定性能的实际数据上进行了测试。

头部动作图像数据库 HeadPoseImageDatabase头部动作图像数据库 HeadPoseImageDatabase头部动作图像数据库 HeadPoseImageDatabase

通过3D密集人脸重建实现稳定的头部姿势估计和地标回归 通过Tensorflow Lite框架，人脸网格，头部姿势，界标等，重新实现。 CPU实时人脸检测，对齐和重建管线。 轻量级渲染库，比工具快5倍（3对 。 通过单个网络的相机矩阵和密集/稀疏地标预测。 生成面部参数以实现可靠的头部姿势和表情估计。 设置 基本要求 Python 3.6+ pip3 install -r requirements.txt 渲染致密脸 GCC 6.0+ bash build_render.sh （谨慎）对于Windows用户，请参考以获取更多详细信息。 3D人脸地标 在这个项目中，我们通过3DMM参数回归进行密集人脸重建。 回归目标简化为相机矩阵（ C ，形状为3x4），外观参数（ S ，形状为1x40）和表达变量（ E ，形状为1x10），共有62个维度。 可以通过将这些参数应用于预定义的

男性头部3D模型（教学使用）

内容包含：head.mhd和brain.mhd，想学习vtk的朋友们，如果需要用到mhd文件可以下载。

一个大规模的头部检测数据集，包括标有111251个头部的4405个图像