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

keras实现简单CNN人脸关键点检测-附件资源

行业分类-作业装置-一种人脸关键点检测方法、装置、电子设备及存储介质.zip

关键点检测是许多计算机视觉任务的基础，例如表情分析、异常行为检测。大家接触最多的可能是人脸关键点检测，广泛应用于人脸识别、美颜、换妆等。 本次AI研习社举办猫脸关键点检测，训练集有10468张，测试集9526张，目标是检测猫脸的9个关键点。其实我在读书期间就看到过这个猫脸数据，来自CUHK。猫脸关键点检测也是比较新的一个方向，例子比较直接，也非常方便用于例子讲解。 猫脸关键点和人脸关键点类似，每个猫都有9个关键点信息，总共18个坐标信息。由于猫脸关键点任务中每一张图片只包含一个猫，所以在进行关键点检测的过程中并不需要加入检测的过程，只需要预测关键单坐标的位置即可。 即我将猫脸关键点检测抽象成

人脸关键点检测SDK Android版本，包含人脸检测和101人脸关键点检测两部分，使用非常简单，直接AAR包调用即可

基于深度残差网络的人脸关键点检测

如题，最新版的unity人脸关键点检测插件，值得拥有。 unity Dlib FaceLandmark Detector 1.2.8最新版插件，支持人脸关键点检测 unity Dlib FaceLandmark Detector 1.2.8最新版插件，支持人脸关键点检测

RetinaFace 实现的同时人脸检测 关键点 口罩检测 1. linux用户打开rcnn/cython/setup.py 121行注释(windows跳过) 2. 进入cython目录 执行python setup.py build_ext --inplace 3. 运行python test.py 注意如果缺少mxnet等类库 自行使用pip安装

OpenCV/TensorFlow人脸关键点检测与实时过滤