image_and_speech_processing Face and speech recognition by use pyqt5 face_recognition baiduai 使用pyqt5 face_recognition 百度ai实现的 对图像和语音的处理 这是上一个版本的更新版 。 这是上一个版本 下面是部分效果图 界面是使用pyqt5 做的 教程稍后会在博客上发布 人脸识别是用face_recognition 这是一些使用方法 语音合成 语音识别是使用百度AI提供的api接口实现 教程稍后再博客上发布 主要思路 稍后再博客上发布

从传统方法到深度学习，人脸关键点检测方法综述，非常系统的总结。

face_gui 项目介绍 该项目能够从给定的正面照片中，自动识别脸部区域，并对图像前景进行提取分割，然后替换背景，并按照证件照的规格进行规范化处理。一共由5个模块组成： 1. 头部局部照识别与截取模块设计 利用Vahid Kazemi 和 Josephine Sullivan提出的基于gradient boosting的回归树算法检测面部的68个关键点位置. 2. 图像前景分割 利用opencv中的grabcut方法对人脸周围区域进行分割，将人头和衣服等前景分离出来. 3. 证件照规范化 按照规格进行图片处理:分辨率：361×381，分辨率96dpi，位深度24，大小30k左右. 4. 背景替换 根据图片的背景颜色特征进行替换背景（蓝-红-白），如蓝背景变为红背景：将BGR图像转为HSV图像，蓝颜色H通道在78和110之间，然后转换通道将这些像素替换为(0，0，255)即可。 5. 界面

Python人脸识别第三方库face_recognition接口简单说明，及简单使用方法

基于开源人脸库face_recognition的人脸识别，精确率达到99.8

利用一对CNN来提取一对图像特征，然后通过欧氏距离（经典如Saimese网络）或者通过全连接网络（Matchnet）来实现特征的对比，最后通过交叉熵函数来完成优化。

resnet_ssd_face_detection 说明        用 OpenCV 调用 Caffe 框架以及训练好的残差神经网络进行人脸检测     流程 加载模型     - .prototxt 为调用 .caffemodel 时的测试网络文件     - .caffemodel 为包含实际图层权重的模型文件

人脸识别Python项目源代码

使用CNN和CRF进行人脸分割 我们尝试不同的方法来完成人脸分割： 。 型号和更多详细信息，请访问Aaron Jackson的。 我们将CRF添加为后处理。 CRF由实现。 。 原始。 根据地标生成凸包。 在使用所有三种方法之前，我们先检测界标并裁剪图像。 代替在A CNN Cascade for Landmark Guided Semantic Part Segmentation标检测网络，我们使用来检测在大型姿态图像上效果很好的地标。 我们还尝试了其他方法来裁剪图像。 代号 face_segment_part.py：用于地标制导语义部分分割的CNN级联。 face_segment_yuval.py：关于面部分割，面部交换和面部感知。 face_segment_contour.py：检测到地标并获得凸包。 依存关系 请为face_segment_yuval.py下载 （最低版

通过KL变换实现特征提取从而达到表情识别以及人脸识别的目的