使用奇异值分解的人脸识别。 该识别算法使用基本对象识别方法，即奇异值分解。 使用SVD函数，您可以训练自己的图像并在该图像上执行SVD，然后可以对SVD函数返回的U（特征脸）向量进行一些数学运算测试。 面部图像的数据集在“ dataimage”中。 该代码显示在face_recognition.py文件中。 测试图像位于test_img文件夹中。达到的准确度为85％。

人脸识别与检测 人脸识别与检测。含数据集和源代码。 这里一共包含6个.py文件。 get_my_faces.py调用摄像头获取用户的人脸图片，作为数据存储到my_faces文件夹中去。最终就是要从众多人脸图片中，识别出用户。 set_other_faces.py从人脸数据集中获取图片，进行进行预处理，之后存入other_faces文件夹中去。 Functions.py存储的是处理图片数据时用到的函数，包括getPaddingSize（）和readData（）。 预先图片的时候，需要放置周围进行填充，调用函数getPaddingSize（）可以得到，对于一张图片，上下左右分别需要补充多少行或多少列。 函数readData（）从文件夹my_faces和other_faces中读取数据图片，并进行填充，然后添加到imgs列表中去；并根据图片所在的文件夹给图片添加标签，添加到实验室列表中去。

Pro-face触摸屏使用以太网连接西门子PLC的详细说明，中文PDF手册。

Extended Yale Face Database B 是灰度图人脸图像数据集，包含 28 个人，在 9 种不同的姿势和 64 种不同的拍摄参数下，总共 16128 张人脸图像。.

包含文件如下： 20180402-114759.pb model-20180402-114759.ckpt-275.data-00000-of-00001 model-20180402-114759.ckpt-275.index model-20180402-114759.meta 2.2_2_进程调度的时机、切换与过程、方式（免费赠送）

darknet_face_with_landmark 更新 torch版本： 借鉴AlexeyAB大神的 做适量修改，用于人脸检测以及关键点检测,支持ncnn推理 实现的功能 添加关键点检测分支，使用wing loss 添加 hswish,hsigmode 激活函数 Installation Clone and install git clone 使用scripts/retinaface2yololandmark.py脚本将retinaface的标记文件转为yolo的格式使用 其他编译训练都和原版darknet相同 测试 ./darknet detector test ./data/face.data ./cfg/mbv2_yolov3_face.cfg ./models/mbv2_yolov3_face_final.weights ./test_imgs/input/se

图像处理的基本程序，采用pycharm 编辑器 python3.5 图像处理的基本程序，face

pfld_106_face_landmarks 106点人脸关键点检测的PFLD算法实现 :smiling_face_with_smiling_eyes: 转换后的ONNX模型 预训练权重 性能测试 update GhostNet update MobileNetV3 Backbone param MACC nme Link ONNX MobileNetV2 1.26M 393M 4.96% MobileNetV3 1.44M 201.8M 4.40% MobileNetV3_Small 0.22M 13M 6.22% 测试电脑MacBook 2017 13-Inch CPU i5-3.1GHz (single core) backbone FPS(onnxruntime cpu) Time(single face) v2.onnx 60.9 16ms V3.onnx 62.7 15.9ms lite.onnx 255 3.9ms R

情绪识别 该存储库的目的是通过深度学习探索面部表情识别 环境： python 2.7 pytorch 0.3.0 GTX 1080 楷模： VGG Face微调可用于基于图像的表情识别 VGG + GRU用于基于视频的表情识别 Resnet + GRU用于基于视频的表情识别 型号详情： VGG Face 我们使用进行微调，使用FER2013数据集进行分类。 首先，我们通过将caffe模型转换为Pytorch模型，我们提供了转换后的。FER2013数据库包含35889张图像：用于培训的28709张图像，用于公共测试的3589张图像，以及用于私人测试的3589张图像。 我们使用训练数据和公共测试数据进行训练，并使用私人测试数据评估模型性能。 在这里，我们提供已 用法： 首先下载FER2013数据集（需要解压缩）和pytorch模型（VGG_Face_torch

dlib人脸识别需要的2个文件：dlib_face_recognition_resnet_model_v1和shape_predictor_68_face_landmarks