T2F: 使用深度学习根据文本生成人脸图像

CMU Frontal Face Images Dataset 是一个用于人脸识别和身份鉴定的图像数据集，包含 511 个闭合的人脸图像，其中有 130 个是正面的人脸图像，所有图片均为黑白的 GIF 格式。 CMU – MIT Dataset 由卡内基·梅隆大学和麻省理工学院于 2016 年联合发布。

ORL人脸图像数据库.

人多个脸数据集，包含从多个人脸数据库上下载的资源，以及一小部分自己整理的bmp类型的人脸图像。可用于人脸检测与定位测试，肤色检测等。

介绍了便携式的人脸识别系统，采用DSP控制，电路简单，可靠性高，应用灵活，是人脸识别新的发展途径之一。

我们希望通过这项研究，能够完成一套能够生成高质量的逼真的人脸图像的系统，能够做到如下几个方面的内容： 1.1与传统的图像补绘方法不同，人脸补绘需要目标对象的内容、轮廓和结构信息，以实现真实的输出。 1.2考虑人脸的特殊特征，充分挖掘和利用人脸所包含的信息，以生成和谐自然的人脸。 1.3对大面积缺失的人脸信息进行补全，注重对特征自然和谐的人脸部位的重建，在结构和外观上保持一致的情况下，为缺失的关键部件生成新的语义像素。 适用大学生参考学习。 大创-大学生创新创业训练计划项目申报书-软件-基于人脸先验信息的人脸图像补全研究-参考

面部图像中的性别识别是安全，零售广告和营销领域的重要应用。 我们提出了一种基于 COSFIRE 过滤器的用于性别识别的新描述符。 COSFIRE 滤波器是可训练的，因为它的选择性是在自动配置过程中确定的，该过程分析给定的感兴趣的原型模式。 我们在一个名为 GENDER-FERET 的新数据集上证明了所提出的方法的有效性，该数据集有 474 个训练和 472 个测试样本，准确率达到 93.7%。 它也优于依靠手工功能和分类器集成的方法。 此外，我们通过使用野外标记人脸（LFW）数据集的图像来训练我们的分类器和用于评估的 GENDER-FERET 数据集的测试图像来执行另一个实验。 该实验证明了所提出方法的泛化能力，并且它也优于两个商业库，即 Face++ 和 Luxand。 由于特征的随机选择，您使用此脚本获得的识别率可能与论文中报告的不完全相同。 但是，它应该非常接近。 请在运行代码之前阅

人脸图像特征提取matlab代码CS676A项目-第1组 Vikas Jain-13788 Shubham Jain-13683 语言： Python和Matlab 随后的论文： Parikh，Devi和Kristen Grauman。 “相对属性”。 计算机视觉（ICCV），2011年IEEE国际会议上。 IEEE，2011年。 伯吉斯，克里斯，等。 “学习使用梯度下降进行排名。” 第22届机器学习国际会议论文集。 ACM，2005年。 约阿希姆斯，索尔斯滕。 “使用点击数据优化搜索引擎。” 第八届ACM SIGKDD知识发现和数据挖掘国际会议论文集。 ACM，2002年。 Simonyan，Karen和Andrew Zisserman。 “用于大规模图像识别的非常深的卷积网络。” arXiv预印本arXiv：1409.1556（2014）。 资料集： PubFig数据集“用于面部验证的属性和比喻分类器”，Neeraj Kumar，Alexander C. Berg，Peter N. Belhumeur和Shree K. Nayar，国际计算机视觉会议（ICCV），2009年。 代码

基于机器学习的人脸图像性别识别分类项目源码（机器学习大作业+毕业设计）。 文件说明 GenderRecognition.ipynb - 包含运行结果的交互式Jupyter Notebook run.py - 纯Python代码 save_weights.h5 - 训练2000轮后的权重，可复现最佳预测结果 submission.csv - 输出的预测结果 trial.txt - 使用最佳模型预测训练集，对训练集所做的修改 Jupyter Notebook Preview.html/Jupyter Notebook Preview.pdf - 运行结果，内容同GenderRecognition.ipynb

利用PCA主成分分析，对人脸图像进行降维压缩，之后重构人脸图像。