针对现有主流检测算法在低光照或光照条件强烈变化情况下对交通标志检测精度不足、漏检现象严重的问题,提出一种改进后的基于图像关键点统计变换(MCT)特征的Adaboost集成算法,以降低样本图像对光照变化的敏感性,通过对图像关键点进行提取并建立弱分类器,增强噪声和部分遮挡情况下算法的抗干扰能力,同时采用多尺度特征融合算法实现交通标志的分类识别。选用德国交通标志数据集(GTSDB、GTSRB)和自建数据集对所提算法性能进行验证,结果表明,在三类数据集中本文算法均具有最佳检测率与识别率,对于低光照条件下的交通标志图像,本文算法的检测精确率为94.96%,在复杂光照环境下具有较好的稳健性。

精准快速的人脸定位和追踪技术。

关键点检测 格式转换 将labelme标注的关键点数据转换为coco格式

基于深度残差网络的人脸关键点检测

CASIA-WebFace关键点标注数据，使用模型自动标注的

Dlib模块的68个人脸关键点检测，包括下巴：[0, 17]，右（左）眉毛：[17, 22]（[22, 27]），鼻子[27, 36]，右（左）眼睛[36, 42]（[42, 48]），嘴巴轮廓[48, 61]，嘴巴[61, 68]

Landmark人脸68个关键点检测dat模型库(shape_predictor_68_face_landmarks.dat)

300W 人脸关键点数据集整理包，里面包括300W 人脸关键点数据集整理的 python 程序，以及整理后的 ndarray 文件。如果，有积分可以选择下载。

基于深度学习目标检测和人体关键点检测的不健康坐姿检测（部分代码）

Python OpenCV OpenPose，实现人体姿态估计