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。

matlab 人脸匹配代码

脸 AAM 特征提取、年龄估计、人脸老化

For C, JAVA, DELPHI, VB6 档案太大所以必须分三个下载，再合并档案。

android 结合 opencv项目（人脸识别）

通过OpenCV实现人脸框选，物体框选分类器训练，实现物体框选，基于face_recognition的人脸识别等相关资料。