基于MTCNN和Facenet的人脸识别

matlab人脸检测框脸代码描述 This project is very similar to my another project multiple-object-tracking, the only difference is a general YOLO3 detector in that project replaced by the MTCNN model (detecting faces only). Face detection and tracking is one of the most widely used application of deep-learning. Face detection model only detects faces visible on current frame. To track obstacle faces and moving faces, we need to solve a multiple-object-tracking problem. This could be done in two steps: 1, Dete

来源于GitHub，代码中的bug修复过了，代码是比较实用的，收费是因为修复了bug，添加了需要用到的dll

Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 Environment 文件下载 Download 使用方法 Usage 效果 Performance 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5

本文研究了复杂采集环境下的可靠检测问题。充分考虑了车联网场景下，由 于非理想的图像获取视角和复杂的采集环境而导致的人脸检测漏检/误检问题， 深入研究了 MTCNN（Multi-task Cascaded Convolutional Networks）人脸检测算 法，提出了改进的非极大值抑制算法，降低人脸漏检率和误检率。融合了基于上 下文信息训练的小脸（Tiny face）检测网络，构成多分支级联神经网络，提高了 小脸的检测准确率。经过实验分析，本文中设计的人脸检测算法有效地提高了复 杂车联网环境下人脸检测准确率。

检测：Harr小波提取特征 + AdaBoost级联分类器 Harr小波：左右，上下，左中右，上中下，对角 ... 手动构建特征，特征数量很多，动辄几十万 集成学习：弱分类器构建强分类器 性能差，泛化能力弱 识别：EigenFaceRecognizer 特征脸识别算法 矩阵特征分解 PCA降维，计算距离，识别身份 性能差，泛化能力弱 检测：MTCNN 多任务卷积网络 三个简单的卷积网络的级联 置信度，外框，关键点 性能好，准确率高 .... 识别：FaceNet 人脸编码 特征提取器（embedding） 将人脸映射到128维空间，编码为一个向量 使用KNN、KMeans思想进行人脸距离度量、检索和聚类 性能好，准确率高 ...

FaceDetectAndRecogize detect face with mtcnn and aligment and embedder with insightface the model test on dataset lfw accuracy reached 99.5% dataset sia-asia-500 lfw accuracy reached 99.6% demo 中已经添加： 1.人脸录入 2.人脸验证（解锁）功能 已经完成工作： 1.人脸检测 2.人脸对齐 3.人脸识别 待完成: 活体检测 防打印照片以及视频回放欺诈

人工智能-项目实践-图像识别-基于mtcnn-mobilenet-keras-breath_mask-master

用VC2013开发的人脸逐帧检测程序，采用了深度计算模型MTCNN的核，准确率95左右，调参较好的话，已经达到了商用层面，为了获取下载券下载其他东西，压箱底的代码倾情奉献罗

这是一个使用Pytork在MTCNN和LPRNet中进行的两阶段轻量级的车牌识别。MTCNN是一种非常著名的实时检测模型，主要用于人脸识别。它被修改用于车牌检测。LPRNet是另一种实时端到端DNN，用于后续识别。该网络性能优越，计算量小，无需进行初步字符分割。在这项工作中嵌入了空间变换层，以便更好地识别特征。在Nivida Quadro P4000上，在CCPD基础数据集上的识别准确率高达99%，每幅图像约80ms。 Training on LPRNet run 'LPRNet/data/preprocess.py' to prepare the dataset run 'LPRNet/LPRNet_Train.py' for training Test run 'MTCNN/MTCNN.py' for license plate detection run 'LPRNet/LPRNet_Test.py' for license plate recognition run 'main.py' for both