CMU_PIE_Face，包含68个人，每人170张不同姿态光照表情下的图片，均为jpg，32*32

Zeusee配合型人脸活体检测 在移动端进行人脸识别应用开发的时候，经常存在用户会使用翻拍照片录制录像等来欺骗人脸识别系统，因此活体检测是人脸识别和人脸验证中非常重要的一个部分，同时目前开源活体检测代码的补充，但配合型活体检测实现相对比较简单，因此我们可以做到简单的实现，并并进行了所有的代码。 更新 增加了基于IntraFace活体检测（2018.03.30） 单目配合型活体检测 由于移动端传感器的有限性，在广泛只有单个现有放置摄像机的情况下，非配合型的人脸活体检测实现相对比较复杂。需要的数据成本也相对较高。而配合性活体检测仅需要通过用户简单的低头摇头操作即可极大降低用户的欺骗攻击成本。 基本

人脸识别门禁系统 可以在线实时的检测人脸，是实时的不需要上传图片，对于已经录入人脸库的，可以显示通过，支持后台注册人脸，以及管理人脸库的信息，后期还会加入每日检测历史记录。 开发日志： 2018-6-14添加了日志模块，可以查看人脸登录信息，成功或失败都会显示出来 2018-6-9 对手机端进行了页面支持，可以在微信中直接打开视频流 2018-6-5添加了登录功能，管理员需要登录 完善了门禁界面，采用自动化人脸采集，界面更加洁净，当有人脸出现时，能够识别并在弹窗中显示采集到的照片和验证信息，弹窗固定时间后自动消失，进行下一次比对,技术就是多个计时器和定时器联动使用。 最新版本图，自动采集 下面是效果图

hog svm matlab代码滑动窗口人脸检测 描述 使用定向梯度直方图 (HOG) 和支持向量机 (SVM) 区分实际人脸对象和非人脸对象。 实现基于Matlab。 源代码位于名为“code”的目录中 必要的数据集位于名为“data”的目录中

Steven Levy ZP.zip 快速的face怎么实现的呢？这个开发的过程很重要！Steven Levy ZP.zip 快速的face怎么实现的呢？这个开发的过程很重要！

使用Raspberry Pi，OpenCV，Python进行实时人脸识别-实现Haar Cascades分类器和LBPH Haar功能 [1] [2] 它们检测边缘，直线，中心环绕的特殊对角线特征 整体形象 [3] [4] 积分图像是通过计算给定图像中的值（像素值）之和创建的。 如您在Image [4]中看到的那样，创建一个完整的图像可以非常有效且快速地提取特定区域的所需值。 Haar级联分类器 [5] 它是一种分类器，其中，通过将正图像叠加在一组负图像上来训练级联函数。 它使用Haar功能和完整图像。 它有助于面部检测和特征提取阶段。 本地二进制模式直方图人脸识别器（LBPH） [6] 它通过查看图像的每个点来工作。 它将所选区域的中心值（像素值）与其相邻值进行比较。 如果邻近值低于中心像素，则该邻近值将被写入零。 如果邻近值大于中心像素，则该邻近值将被写入

面部欺骗检测 深度纹理特征提取及基于局部二值模式的卷积神经网络的实现

颜世伟 我们的目标是创建一个能够生成现实中不存在的逼真的人类图像的模型。 （将来，我将在GAN及其变体上上传一些用例）。 这些AI背后的技术称为GAN，即“生成对抗网络” 。 与其他类型的神经网络（GAN）相比，GAN采取的学习方法不同。 GAN的算法体系结构使用了两个神经网络，分别称为生成器和鉴别器，它们相互“竞争”以产生所需的结果。 生成器的工作是创建看起来逼真的假图像，而鉴别器的工作是区分真实图像和假图像。 如果两者均能正常工作，则结果是看起来像真实照片的图像。 GAN架构： 数据集可以从以下下载： : 您可以在上关注本文，以逐步了解它，并检查我的以进行实施。 输入图像样本： 输出：

人脸识别是自1960年以来的一项创新性创新，并定期采用不同的真实应用程序来增强其策略。 为了增强人脸确认的执行，已经创建了许多计算和方法。 到目前为止，针对桌面应用程序的深度学习已进行了广泛的研究。 卷积神经网络可以与最终目标一起使用，以提取重要的面部高光。 这些亮点被允许以富有成效的方式考虑它们之间的外观。 该框架可以准备好感知个人的安排。 我们提供了可以利用此人脸识别创新进行生产的不同应用程序。 本文的目的是通过使用各种接近度估计（相似度指数），研究在各种障碍条件下利用图像进行的深度CNN设计在人脸识别中的实用性。

使用cv进行人脸识别，cv嵌入到PyQt中。包含功能为：人脸特征录入、人脸识别。并提供单独程序用于调试，程序后续可继续进行优化。