shape_predictor_68_face_landmarks.dat人脸特征提取68个点，ZIP压缩

基于Face++的SDK，实现的人脸特征点定位工具。重写了源文件中的一些json解析代码和命令请求代码。可以实现83点与106点探测的切换。返回数据存储在一个vector中，使用opencv显示程序就可以看到。使用前需要在Face++官网上注册账户并配置应用，将相应的APPID和密码写到main函数里的对应位置就可以。

基于人脸特征检测的眼控鼠标系统研究，非常难得的论文，讲解很细致

本科毕业论文快速的人脸特征定位-毕业论文.rar 本科毕业论文                                第一章  概述 随着多媒体技术的发展,人脸图像在各种领域中具有越来越重要的作用,如人机交互系统、视频监测系统、人脸图像数据库管理系统、人脸检测与识别系统等。在各种人脸图像的应用系统中,人脸特征定位是重要组成部分之一。例如在安全监控应用中，银行部门的监控和安保部门的监控，需要对人的各项特征进行有针对性的监视。对于监控对象的身高，衣着等特征，可以在较模糊图像中获得，但是对人脸部分特征，却必须要清晰的图像才能获得[1]。如果可以对人脸进行针对性的监视，就可以使得应用安全监控的部门获得更多的安全保证。而人脸自动定位是这一监控方法的第一步，它的性能如何直接决定了监控的效果。简单的说，所谓的人脸定位，就是在静态图像或动态图像中标出人脸所在的位置，把人脸选取出来[2]。而人脸的识别就是把选取出来得人脸与数据库中已有的人脸进行比较，找出匹配的档案来。有的文献也把人脸的定位和识别统称为人脸识别，定位和识别则是两个主要的步骤。完整的人脸识别系统涉及到决定静态图像或动态图像中无人脸、计数、定位，然后根据数据库识别出个人，可能的话还要识别表情，以及根据脸的图像做出描述；或者反过来根据描述挑选匹配的人脸图像[3]。 而说道快速的人脸特征定位，就不得不提及人脸检测技术。人脸检测是人脸特征定位的前提，在整个过程中起着不可忽视的作用。人脸检测问题最初作为自动人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。下面我将对人脸检测的相关知识做一下简单的介绍。

matlab的egde源代码 LBP-DBN-face-recognition 使用LBP特征提取算法提取人脸特征，DBN网络来实现人脸识别，测试数据库-ORL数据库，识别率可达90%以上 ###工程使用方法： clone下工程，要根据实际情况修改test_example_DBN.m中的文件路径 我们在该文件中，a=imread(strcat('E:\My RBM-DBN matlab\ORL\ORL\s',num2str(i),'_',num2str(j),'.bmp')); ###工程说明： ####英文简称注释： DBN-深度信念网络、RBM-受限的玻尔兹曼机 、LBP-局部二值模式 ####几点说明： 0-这个程序的功能，使用DBN算法来实现人脸识别，数据库使用ORL数据库，在迭代次数达到3000时，识别准确率98%左右 2-此程序还附带了画学习曲线的功能，画正则参数，隐层结点数，训练样本数的学习曲线 3-DBN是有几层RBM构成，我这个程序实现的是4层网络，输入层-隐层1-隐层2-输出层 4-DBN的训练基本上分为两步，先用RBM的训练方法训练网络得到初始值，来初始化整个网络

c#人脸识别，人脸特征提取实例运行程序，进行人脸关键部位截取，并进行人脸对比，实例操作代码，可查看，特征提取实例运行程序，相关提取功能 运行查看

代码运行效果图见压缩包

对标商汤和face++的人脸识别关键点/人脸特征点，无抖动和对环境有很好的鲁棒性。

数据集就是网上通用的笑脸数据集里面包含笑脸和非笑脸图片 拥有“少量”样本可能意味着从数百到数万张图像。作为一个实际的例子，我们将在包含4000张笑和没笑的图片(2000张笑的，2000没笑的)的数据集中把图像分类为“smile”或“unsmile”。我们将使用2000张图片进行培训，1000张用于验证，最后1000张用于测试。人脸特征提取实验-笑脸数据集

内部是提取的代码，也只需要这个，其他都是需要链接的库，使用的是VS2015弄的，自己加下链接库，模型去VGG官网下载就可以了，还有不明白的给我留言