基于讯飞人脸识别API开发的人脸识别Demo，欢迎下载学习

人脸识别68个特征点检测数据库shape_predictor_68_face_landmarks.dat，报这个错误的[RuntimeError]: Unable to open dlib/shape_predictor_68_face_landmarks.dat --dlib.shape_predictor()可以下载安装

这个项目使用热门的目标检测算法yolov5算法，实现了对于戴口罩和不戴口罩的人脸识别需求，项目运行之后展示一个由qt技术编写的主界面窗口，项目可以实现图片和视频的检测。图片检测需要上传图片，系统会自动识别出图片中的人是否佩戴口罩。视频检测中包括实时监测和文件检测，实时监测可以通过摄像头直接识别出未佩戴口罩的人。在机器学习技术中，要想使得所训练的模型具有较高的准确度，其中一个关键就是要有足够量的数据让它进行一轮又一轮的学习，不断提取特征，分析，学习。在这个项目中，数据集文件夹为yolo_mask，数据集文件夹下分两个文件夹 images和labels，这两个文件夹分别存储图片数据和图片标签数据文件，这两个文件夹都分别下分test,train,val文件夹，分别表示测试集，训练集，验证集和其标注文件。在这个项目中，我们选用了2000张图片数据，其中训练集，测试集，验证集按照6：2：2的比例分配数据。将这些图片数据分别存储在，然后使用图形图像注释工具LabelImg对这2000张图片数据进行标注，标注完成之后会得到一系列的txt文件，这里的txt文件就是目标检测的标注文件。

脸部活跃度检测 描述 深度学习管道，能够发现人脸与合法人脸，并在人脸识别系统中执行反人脸欺骗。 它是在Keras，Tensorflow和OpenCV帮助下构建的。 样本数据集已上传到sample_dataset_folder中。 方法 检测伪造的面Kong与真实/合法面Kong的问题被视为二进制分类任务。 基本上，给定输入图像，我们将训练一个卷积神经网络，该卷积神经网络能够将真实面Kong与伪造/欺骗面Kong区分开。 该任务涉及四个主要步骤： 构建图像数据集本身。 实现一个能够执行活动检测器（Livenessnet）的CNN。 训练活动度检测器网络。 创建一个能够采用我们训练有素的活动检测器模型的Python + OpenCV脚本，并将其应用于实时视频。 创建一个Web平台以交互方式访问活动度检测算法。 该存储库的内容 sample_liveness_data：包含样本数据集。

人脸识别pt模型，模型准确率98%以上

JAVA海康威视isup方式demo包，与人脸考勤机打通。适用于人脸考勤机没有固定IP情况。

人脸检测demo 包括源代码和release编译好的可执行程序（已打包完成，可直接运行）。 开发环境：win10+qt5.9.1-msvc2015 x64+opencv4.5.4 可以从图片、视频、网络摄像头实时检测人脸。 需要加入新的人脸检测时，要在face_db文件夹下放一张该人的人脸截图，即可识别该人。

人脸识别（包括活体检测、摇头、点头、眨眼）扫描，身份证认证

需要在home.js getFaceInfo中修改为自己在百度人脸api申请的secret和key

基于opencv实现的人脸识别，可以通过摄像头获取所要识别的人脸，读取多个人脸并将中文名显示，具体可观看个人博客。 人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别人脸识别