人脸关键点标定竞赛数据，是为图像中的人脸标定15个关键位置点，图像时96x96像素的，每个关键点对应一个二维位置坐标用以标识关键点的位置。

人脸关键点编辑器,是 68个点的 编辑器； 因为此版本用的是 vs2012，如果你不能使用 请安装本路径下的：微软的 vcredist_x86.exe

基于深度学习的人脸检测和人脸关键点检测，包含python和C++两个版本，提供了所有代码和运行数据

UnityOpencvForUnity+FaceMaskExample+Dlib FaceLandmark Detector;Unity2019++；测试使用的是Unity2020.3.25

深度学习-人脸关键点。代码是利用python写的里面有数据与代码

十行代码完成人脸关键点定位 https://zhumingde.blog.csdn.net/article/details/122201229

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。

PFLD的python实现，用于人脸的关键点检测

司机疲劳驾车会影响车辆的正常行驶，严重时会威胁司机和乘客的生命安全，因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中，一般在夜间光照强度较弱的情况下，司机出现疲劳驾驶的次数较多，但是现有的相关检测算法无法处理灯光问题，导致其在夜间检测时准确率较低.针对此问题，本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理，从而提高图像的曝光度；然后使用人脸关键点检测网络获取图像的眼睛区域；之后使用卷积神经网络对眼睛区域进行睁、闭眼分类；最后统计单位时间内睁、闭眼数量的比值，以此判定司机是否处于疲劳状态.实验结果表明，在夜间环境中，本文提出的检测算法相对现有算法在检测成功率上提升了15.38%，取得了更好的效果.

pfld_106_face_landmarks 106点人脸关键点检测的PFLD算法实现 :smiling_face_with_smiling_eyes: 转换后的ONNX模型 预训练权重 性能测试 update GhostNet update MobileNetV3 Backbone param MACC nme Link ONNX MobileNetV2 1.26M 393M 4.96% MobileNetV3 1.44M 201.8M 4.40% MobileNetV3_Small 0.22M 13M 6.22% 测试电脑MacBook 2017 13-Inch CPU i5-3.1GHz (single core) backbone FPS(onnxruntime cpu) Time(single face) v2.onnx 60.9 16ms V3.onnx 62.7 15.9ms lite.onnx 255 3.9ms R