这是一个AU人脸图像库，对做人脸识别的同学们有用，你们感兴趣的同学可以下载看看，可以自己做预处理，然后再提取特征，最后分类匹配

眼镜是人脸图像中最常见的遮挡物，它对识别率的影响很大。为了提高戴眼镜人脸图像的识别率，提出了一个从正面人脸图像中提取并摘除眼镜的方法。通过一个自适应二值化的方法，检测了正面人脸图像中眼镜遮挡的部分。经过迭代的误差补偿方法，合成了对应输入图像的不戴眼镜的正面人脸图像。实验结果表明：该方法能有效地合成无眼镜的正面人脸图像。原始戴眼镜人脸图像的识别率是50.1%，合成的无眼镜正面人脸图像的识别率是99.4%。

卷积神经网络根据人脸图像进行性别识别

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