面部标志检测引擎 HRNet的TensorFlow实现，用于面部标志检测。 观看此演示视频： 。 特征 支持多个公共数据集：WFLW，IBUG等。 先进的模型架构：HRNet v2 数据扩充：随机缩放/旋转/翻转 模型优化：量化，修剪 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 先决条件 正在安装 获取培训的源代码 # From your favorite development directory git clone --recursive https://github.com/yinguobing/facial-landmark-detection-hrnet.git 生成训练数据 有多个可用的公共面部标记数据集，可用于生成我们需要的训练热图。 对于此训练过程，图像将被放大。 第一步是将数据集转换为更易于处理的更均匀的分布。 您可以自己执行

编译opencv_contrib出错是因为少这个文件，而通过github下载老是下载失败。https://blog.csdn.net/qq_44365861/article/details/108799140有详细细节与资源

# 实现人脸融合--------------------------------------------------------- # 输入: 2张人脸rgb图片 # 输出: 2张形变人脸图片，1张人脸融合图片 # 第1步：读取2张人脸landmark # 第2步：计算融合landmark坐标 # 第3步：三角剖分 # 第4步：仿射变换，进行人脸形变 # 第5步：人脸融合

opencv4.4.0编译时下载文件_face_landmark_model.dat、IPPICV、vgg_generated_64.i 等

Ubuntu下安装OpenCV时可能下载不下来的face_landmark_model.dat文件。

环境：c++版本、OpenCV 4.5.3、Eigen data文件夹：存储左右目图片 demo文件夹：点对匹配结果、深度信息、三角测量可视化效果 main.cpp：主函数，调用orb_match进行点对匹配，调用antipolar_geometry计算对极几何位态变换，调用triangulation进行三角测量 get.cpp：调用双目摄像头，存储左右目图片 orb_match.cpp：库函数，功能包括：orb特征检测、描述子计算、landmark标志点对匹配 antipolar_geometry：库函数，功能包括：对极几何，计算两幅图像之间的位姿变换 triangulation：库函数，功能包括：三角测量，还原landmark标志点深度信息，得到landmark标志点3D坐标

MRI强度归一化 使用提出的方法对多通道MRI图像进行强度归一化 。 在原始论文中，作者提出了一种从一组MRI图像中学习一组标准直方图界标的方法。 这些地标然后用于均衡图像的直方图以进行归一化。 在学习和转换中，直方图都用于查找强度界标。 在我们的实现中，界标是根据强度的总范围而不是直方图来计算的。 这个怎么运作： 规范化分两个步骤进行： 学习界标参数： 从一组训练图像中，使用功能learn_intensity_parameters来学习界标参数。 强度参数ì_min和i_max必须由用户设置。 这两个值确定了标准强度标度的最小和最大强度。 methodT= 'spline'; % or

matlab嘴部检测代码通过全卷积局部全局上下文网络进行鲁棒的面部地标检测 面部标志用于定位和代表面部的显着区域，例如：眼睛，眉毛，鼻子，嘴巴，下颚 挑战：不同的形状，姿势，光照条件，遮挡物等。 界标检测的用途：人脸对齐，头部姿势估计，人脸交换，眨眼检测等等。 以下是iPython Notebook的论文实现： 通过全卷积局部全局上下文网络进行稳健的面部地标检测，国际计算机视觉与模式识别会议（CVPR）的会议记录，IEEE，2018年-Daniel Merget，Matthias Rock，Gerhard Rigoll 关联： 代码是用Brainscript编写的，还使用Microsoft CNTK和Python进行了后期处理，并使用了Matlab。 可以找到代码和其他详细信息。 本文重要提示 完全卷积神经网络擅长于对局部特征进行建模，但会导致受约束的接收场（局部上下文）。 为了克服这个问题，可以采用多种方法：级联/池化等。本文提出了一种新的方法，该方法使用逐通道/内核卷积和膨胀卷积（全局上下文）来实现相同的精度，而不是几种SOTA方法。 它将全局上下文直接引入到全卷积神经网络中。 主

Landmark图文教程，详细完备，通俗易懂。 蓝马初学者必备，石油院校学生大作业精品参考。