dlib人脸特征库分类器，194点，由helen 库(2000张)训练而成，共三部分.

实现流程 从摄像头获取视频流，并转换为一帧一帧的图像，然后将图像信息传递给opencv这个工具库处理，返回灰度图像（就像你使用本地静态图片一样） 程序启动后，根据监听器信息，使用一个while循环，不断的加载视频图像，然后返回给opencv工具呈现图像信息。 创建一个键盘事件监听，按下”d”键，则开始执行面部匹配，并进行面具加载（这个过程是动态的，你可以随时移动）。 面部匹配使用Dlib中的人脸检测算法来查看是否有人脸存在。如果有，它将为每个人脸创建一个结束位置，眼镜和烟卷会移动到那里结束。 然后我们需要缩放和旋转我们的眼镜以适合每个人的脸。我们将使用从Dlib的68点模型返回的点集来找到眼

使用dlib实现人脸识别，追踪。写成的中人脸识别模块。 实施对话系统：end-to-end的文本生成式模型，适用于闲聊；在问答式的对话里，针对性强，一般会采用检索匹配+知识图谱的方式

dlib的68点模型，训练好的特征预测器，用来进行python代码人脸识别的特征预测，讲该代码下载到python项目文件夹下，然后预测就行了

基于python和dlib编写的人脸对齐程序。包含了两个测试模型（人脸特征点68点检测和5点检测的模型），还有测试图片。详细可以参考博客：http://blog.csdn.net/hongbin_xu/article/details/78511292

sex_classifier_dlib_transfer_learning 使用dlib人脸识别模型作为特征提取器的性别分类器的简单演示 通过使用dlib人脸识别模型，我们可以使用sklearn ML框架进行转移学习以对人脸性别进行分类。 由于缺乏公开的亚洲性别数据集，该过渡数据集全是亚洲人。 但是，我有很多私人照片，因此我不会共享数据集。 如果您自己被trainig迷住了，则可以使用Google照片搜寻器下载图像并标记自己的名字 如果您想使用，我还提供了简单的预训练模型。 这是评估指标 precision recall f1-score su

dlib人脸特征库分类器，81个点 包含使用代码，通过摄像头识别人脸 import cv2 import dlib from skimage import io import numpy as np # 使用特征提取器get_frontal_face_detector detector = dlib.get_frontal_face_detector() # dlib的68点模型，使用作者训练好的特征预测器 predictor = dlib.shape_predictor("shape_predictor_81_face_landmarks.dat") cap=cv2.VideoCapture(0) while True: ret,img=cap.read() dets = detector(img, 1) for k, d in enumerate(dets): print("第", k+1, "个人脸d的坐标：", "left:", d.left(), "right:", d.right(), "top:", d.top(), "bottom:", d.bottom()) width = d.right() - d.left() heigth = d.bottom() - d.top() print('人脸面积为：',(width*heigth)) # 利用预测器预测 #shape = predictor(img, d) cv2.rectangle(img,(d.left(),d.top()),(d.right(),d.bottom()),(0,255,0),1) shape = predictor(img, d) landmarks = np.matrix([[p.x, p.y] for p in shape.parts()]) for num in range(shape.num_parts): cv2.circle(img, (shape.parts()[num].x, shape.parts()[num].y), 3, (0,255,0), -1) #cv2.putText(img, str(i), (shape.part(i).x, shape.part(i).y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255)) cv2.imshow("img",img) if cv2.waitKey(1) & 0xFF == ord('q'): break

人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。 MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。 代码如下： from scipy import misc impo

68个标记点的dlib官方人脸识别模型，用于构建dlib的特征提取器

本文通过具体代码不步骤给大家详细讲述了python3+dlib实现人脸识别以及情绪分析的方法，有需要的朋友参考下。