人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

基于matlab的人脸考勤系统。也叫做人脸签到打卡系统。输入全身照/上半身图片，人脸扫描，定位，剪切人脸，预处理（增强，灰度化，尺度归一化等），特征提取，降维，人脸识别结果，记录打卡次数，考勤时间，带界面。

人脸识别机器学习机器学习深度学习 人脸特征

研究多特征融合的深度网络模型对人脸识别的方法，并通过实验对不同的人脸识别方法进行对比

PubFig 数据集分为两部分： 开发集包含60 个人的图像。开发算法时应使用此数据集，以避免在评估集上过度拟合。此列表和评估集之间没有重叠，此集合与LFW数据集中的人之间也没有重叠。 评估集包含其余140 个人的图像。这是您可以在其上评估算法以查看其性能的数据集。 详细内容请访问该网站：https://www.cs.columbia.edu/CAVE/databases/pubfig/download/

一、绪论 （一）选题背景及意义 （二）国内外研究现状 （三）本文主要研究内容 二、相关技术介绍 （一）目标检测 （二）YOLO算法 三、系统总体设计 （一）系统需求分析 （二）系统功能设计 四、系统实现 （一）图像预处理 （二）图像识别 （三）代码实现 五、总结与展望 主要参考文献 一、绪论 （一）选题背景及意义 （二）国内外研究现状 （三）本文主要研究内容 二、相关技术介绍 （一）目标检测 （二）YOLO算法 三、系统总体设计 （一）系统需求分析 （二）系统功能设计 四、系统实现 （一）图像预处理 （二）图像识别 （三）代码实现 五、总结与展望 主要参考文献

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。