数据集就是网上通用的笑脸数据集里面包含笑脸和非笑脸图片 拥有“少量”样本可能意味着从数百到数万张图像。作为一个实际的例子，我们将在包含4000张笑和没笑的图片(2000张笑的，2000没笑的)的数据集中把图像分类为“smile”或“unsmile”。我们将使用2000张图片进行培训，1000张用于验证，最后1000张用于测试。人脸特征提取实验-笑脸数据集
2021-09-06 16:29:55
24.97MB
1
内部是提取的代码，也只需要这个，其他都是需要链接的库，使用的是VS2015弄的，自己加下链接库，模型去VGG官网下载就可以了，还有不明白的给我留言
2021-08-31 15:54:12
3KB
1
博客地址：https://blog.csdn.net/wen_fei/article/details/80261047
人脸识别源代码，包括使用opencv、dlib和cnn实现的人脸检测、opencv实现的人脸对齐以及vgg-face的人脸特征提取等，最后余弦函数计算相似度，并提供flask部署代码，可以放在服务器上远程调用
2019-12-21 21:53:27
9KB
1
SeetaFace2采用标准C++开发，全部模块均不依赖任何第三方库，支持x86架构（Windows、Linux）和ARM架构（Android）。SeetaFace2支持的上层应用包括但不限于人脸门禁、无感考勤、人脸比对等。
编译简介
2.1 编译依赖
GNU Make 工具
GCC 或者 Clang 编译器
CM2.2 linux和windows平台编译说明
linux 和 windows 上的 SDK 编译脚本见目录 craft，其中 craft/linux 下为 linux 版本的编译脚本，craft/windows 下为 windows 版本的编译脚本，默认编译的库为64位 Release 版本。
linux 和 windows上的SDK编译方法：
打开终端（windows上为VS2015 x64 Native Tools Command Prompt 工具，linux 上为bash），cd 到编译脚本所在目录；
执行对应平台的编译脚本。
linux 上 example 的编译运行方法：
cd 到 example/search 目录下，执行 make 指令；
拷贝模型文件到程序指定的目录下；
执行脚本 run.sh。
windows 上 example 的编译运行方法：
使用 vs2015 打开 SeetaExample.sln 构建工程，修改 Opencv3.props 属性表中变量 OpenCV3Home 的值为本机上的 OpenCV3 的安装目录；
执行 vs2015 中的编译命令；
拷贝模型文件到程序指定的目录下，运行程序。2.3 Android平台编译说明
Android 版本的编译方法：
安装 ndk 编译工具；
环境变量中导出 ndk-build 工具；
cd 到各模块的 jni 目录下（如SeetaNet 的 Android 编译脚本位置为SeetaNet/sources/jni, FaceDetector的Android 编译脚本位置为FaceDetector/FaceDetector/jni），执行 ndk-build -j8 命令进行编译。
编译依赖说明：人脸检测模块 FaceDetector，面部关键点定位模块 FaceLandmarker 以及人脸特征提取与比对模块 FaceRecognizer 均依赖前向计算框架 SeetaNet 模块，因此需优先编译前向计算框架 SeetaNet 模块。
2019-12-21 20:12:50
2.03MB
1