人脸识别 本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个

低速HFR的双变量生成 编写的一种的纸面码。 消息 DVG的扩展版本在IEEE TPAMI 2021中发布（ ），其代码在发布。 新发布的扩展版本比该版本具有更强大的性能。 先决条件 Python 2.7 火炬0.4.1和火炬视觉0.2.1 训练发电机 下载已在MS-Celeb-1M数据集上进行预训练的LightCNN-29模型（ ）。 训练发电机： sh run_train_generator.sh 请注意，这是我们原始代码的简化版本： 1.消除了论文中的多样性损失和对抗性损失。 2.分布对齐损失由最大平均差异（MMD）损失代替。 训练期间生成的结果将保存为./results 。 从噪点生成图像 使用训练有素的生成器来采样100,000个配对的异构数据： Python val.py --pre_model './model/netG_model_epoch_50_iter_0

人脸识别综述论文：The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances

简单的人脸识别资料库，有很多得到人脸可供识别，可供初学者使用！

face_recognition-1.0.0.tar.gzface_recognition-1.0.0.tar.gz 解压压缩包，进入face_recognition目录，安装 python setup.py install pip show face_recognition

Independent Component Analysis of Edge Information for Face Recognition

快速访问SSO管理您的所有网站登录。 适用于Chrome的FastAccess面部识别Web登录此Chrome扩展程序使FastAccess Anywhere面部识别可以安全地管理您的网站密码，并自动以您的面部登录到网站。或者，您可以选择通过面部识别来保护现有的Chrome密码库。该扩展是免费的，但需要购买和安装Windows版FastAccess Anywhere v5。在此处尝试FastAccess：http://www.sensiblevision.com/download在此处购买FastAccess：http://www.sensiblevision.com/purchase FastAccess Anywhere是世界上最好，最快的人脸识别。适用于Windows，Android和Apple iOS。要了解更多信息，请观看左侧的视频并访问：http://www.sensiblevision.com 支持语言:English

FaceLogin：使用OpenCV和Qt实现人脸（刷脸）登录

face-recogition python + dlib 进行人脸识别 python version python 3.4.5 platform linux Dependency opencv-python，dlib step 1 register face from image or camera 第一步先注册人脸(从图片/摄像头) python face_register.py -t 1 register face will generate csv file save human face to a 128 dimensional vector step 2 recognition face from image or camera 第二步识别人脸(从图片/摄像头) python face_recognition.py -t 1 read human face from image

Mask-Face-Recognition：口罩人脸识别 ●该项目主要是实现人脸特征向量的提取。以标准人脸识别模型FaceNet为主线，添加fpn_face_attention结构，增加CBAM模块，可以更好地聚焦于人面部半部，没带口罩的区域 整理数据集 正常人脸训练数据：VGGFace2，链接： ://www.robots.ox.ac.uk/~vgg/data/vgg_face2/正常人脸测试数据：LFW（狂野标签脸），链接： : pair.txt： ://vis-www.cs.umass.edu/lfw/pairs.txt（pairs.txt文件是图片对文件，包含测试的图片对，以及标注） 首先生成一个数据集文件夹，把VGGFace2的原始数据（VGGFace2_train文件），LFW原始数据（lfw_funneled），LFW耦合文件（LFW_pairs.txt），都放到数据