语音识别ANN的实现 使用人工神经网络实现语音识别。 使用语言：Python 您需要numpy和scipy才能使其正常工作。 可以识别的词：“ Apple”，“ Banana”，“ Kiwi”，“ Lime”，“ Orange” ＃如何添加新词 在Audacity或任何音频处理软件中记录您的新单词。 将采样率设置为44100Hz，然后导出到.wav文件。 最好录制许多来自不同扬声器的样本，以提高准确性。 将wav文件放入training_sets目录。 将您的wav文件重命名为您要添加的单词+ -sample_index（例如：hello-1.wav，hello-2.wav）。 这样，特征提取器以后就可以轻松地在文件中进行迭代。 在featureExtractor.py中，将新单词附加到单词数组。 运行featureExtractor.py。 将在mfccData文件夹中生成

哥伦比亚大学2016年春季语音识别讲义，覆盖GMM, HMM, 声学模型，语言模型，模型稳健性，深度学习的语音识别等最新知识面

毕业设计 个人博客系统源码 Class Attendance System based on Face Recognition 基于人脸识别的课堂考勤系统 Contributor : datamonday Github Repo : Initial Blog : Project Post : 2019.04.14 Last Update : 2021.05.26 Update: 2021.05.28 完善本地人脸和数据库ID核验功能； 完善随机答题点名功能； Update: 2021.05.24-27 又到毕业季，终于有时间集中进行处理，为了让该项目更容易上手且更鲁棒，主要做了如下更新： 对项目进行了重构，使得风格更gayhuber；（！正在进行中） 将所有开放的接口汇总到一个模块 GlobalVar.py ，其他文件和目录无需修改，方便修改二次开发； 重新设计了主界面和信息采集界面（有些功能正在开发）； 主界面设定考勤时间，方便调试； 添加了自动采集人脸图像功能； 考勤涉及大量的时间序列操作，因此使用了Pandas和Datetime模块进行处理； 增加了环境配置文件requireme

InsightFace：2D和3D人脸分析项目 和 执照 InsightFace的代码根据MIT许可证发布。 学术和商业用途均不受限制。 包含注释的训练数据（以及使用这些数据训练的模型）仅可用于非商业研究目的。 介绍 InsightFace是主要基于MXNet的开源2D＆3D深度面部分析工具箱。 主分支MXNet 1.2工程1.6，与Python 3.x的。 ArcFace视频演示 请点击图片观看YouTube视频。 对于Bilibili用户，请单击。 最近更新 2021-01-20 ： 根据实施ArcFace和部分FC的。 2020-10-13 ：DeepGlint发布一种新的训练方法和一个大型训练集（360K ID）。 2020-10-09 ：我们开放了大规模识别测试基准 2020-08-01 ：我们发布了具有快速坐标回归功能（106分）的轻型面部界标模型。 查看详细。 2

UCI-Human-Activity-Recognition-Tidy-Data 获取和清理 UCI 人类活动识别数据集：脚本和操作方法 日期：“2015 年 6 月 18 日” 在此存储库中：在此自述文件的下方，您将找到原始数据及其托管网站的链接。 run_analysis.R 文件是 R 脚本，它将带您从原始形式的解压缩 UCI HAR 数据到作业中描述的整洁数据集。 UCI_HAR_tidy_data_CodeBook.Rmd 将解释在最终 tidy 数据集中找到的变量及其代码。 我还将我生成的 UCI_HAR_tidy_dataset 作为 .txt 文件包含在此 repo 中作为成品的示例。 来自 UCI 机器学习库的数据、收集和方法的完整描述： : 压缩数据链接： : 原始 UCI HAR README.txt 可以在从上述网址下载和解压的文件夹中找到。 解压

面部识别 使用TensorFlow进行面部表情识别 介绍 深度学习的面部表情识别。 使用TensorFlow 1.4实现CNN（卷积神经网络）。 代号 Test_Images：用于测试模型的图像目录。 Train_Images：用于转换神经网络的图像目录。 collect_images.py：从Bing和Google收集面部图像。 convert_images.py：将图像文件（* .jpg，*。jpeg， .png）转换为数据集文件（ .bin）。 dataset.py：用于训练或测试神经网络的数据集类。 cnn.py：创建CNN并对其进行训练或对图像进行分类。 运行代码示例 将图像转换为数据集 >>> import convert_images as ci >>> ci.IMAGES_DIR = './Train_Images' >>> ci.main('./train.b

edit by ripley. university oxford x

树莓派Python人脸识别模块，官网下载较慢，可以选择这里下载

下载存储库后，请确保所有文件和文件夹都位于一个目录下 主要文件应为：emnist.model [文件夹]图像[文件夹] balance_dataset.zip [文件夹] emnist-balanced-mapping.txt [文本文件] emnist.ipynb [笔记本文件] gui.ipynb [笔记本文件] preprocess.ipynb [笔记本文件] emnist.model文件包含用于预测图像的模型。 mapping.txt文件包含用于分类的各个类别的ASCII值emnist.ipynb包含使用神经网络preprocess训练模型的过程。ipynb显示如何包含分析数据并从csv文件中原始查看数据emnist_model.pdf文件包含用于训练模型的Jupyter主笔记本的pdf版本，Images文件夹包含28x28像素绘制的图像，可用作参考。 0-46 == 0-9，A

Handbook of face recognition / editors, Stan Z. Li & Anil K. Jain. 人脸识别图书