基于深度学习的人脸检测和人脸关键点检测，包含python和C++两个版本，提供了所有代码和运行数据

图像标注工具，支持图片和视频标注，可标注矩形、多边形、直线、折线、圆、点，集成大量适用小功能，大大提高标注效率，具体功能见：https://blog.csdn.net/qq_42886289/article/details/119209140

UnityOpencvForUnity+FaceMaskExample+Dlib FaceLandmark Detector;Unity2019++；测试使用的是Unity2020.3.25

深度学习-人脸关键点。代码是利用python写的里面有数据与代码

目标 输入一张人脸头像图片，可以自动识别其五官关键点，并加上口罩 步骤 口罩图片处理 到网上找到一张N95口罩图片，去掉其背景 关于图片去除背景，可以使用PS 的魔棒抠图，也可以找到一些在线网站，如 https://www.zenfotomatic.com/ 检测人脸关键点 引入包 dlib，其自带人脸特征提取器 百度下载文件 shape_predictor_68_face_landmarks.dat PREDICTOR_PATH = shape_predictor_68_face_landmarks.dat detector = dlib.get_frontal_face_det

结构化光内窥镜中基于特征的图像配准 该存储库包含基于深度学习的图像配准，用于结构化光内窥镜检查。 该方法是通过使用喉部记录对激光投射的关键点（功能）进行分类而开发的。 该方法包含一个预处理步骤，在该步骤中执行语义分割以定位关键点。 然后执行图像配准，以将不规则放置的关键点转换为规则放置的图案。 在后处理步骤中，使用最近邻居方法和排序算法对各个关键点进行分类。 实现驻留在包endolas（内镜检查+拉斯ER）和示范在演示提供。 此外，该数据集LASTEN，其用于训练和评估在数据中给出。 安装 下载资源库。 激活所需的python环境，该环境至少包含Python 3.7。 在存储库中，使用以下命令运行setup.py： pip install . 现在，将endolas软件包安装在您的环境中，包括资源和其他必需的软件包。 演示版 管道可以根据图像对关键点进行预测，方法如下： 'jupy

从传统方法到深度学习，人脸关键点检测方法综述，非常系统的总结。

基于骨骼的行为识别模型AGCN文献阅读笔记

video-face-3d 人脸工具包大杂烩，主要整合了近年来的SOTA的一些方法，包括视频人脸追踪，68关键点检测，三维人脸3DMM参数标注，shape-from-shading等 依赖 pytorch 0.4.1以上 tensorflow 1.0 以上 neural_renderer_pytorch 安装 安装本代码前请先确保安装了pytorch,tensorflow以及neural_renderer_pytorch neural_renderer_pytorch安装说明 如果你是Linux或者Mac用户，请直接pip install neural_renderer_pytorch 如果你是Windows10用户，请参考 进行安装 下载本代码依赖的静态资源文件，解压到/VideoFace3D/data，下载链接，密码 rle5 推荐使用develop模式安装代码 python se

司机疲劳驾车会影响车辆的正常行驶，严重时会威胁司机和乘客的生命安全，因此检测司机是否出现疲劳现象可以有效保障人们的出行安全.在现实生活中，一般在夜间光照强度较弱的情况下，司机出现疲劳驾驶的次数较多，但是现有的相关检测算法无法处理灯光问题，导致其在夜间检测时准确率较低.针对此问题，本文提出了基于低光增强的夜间疲劳驾驶检测算法.首先对人脸图像进行低光增强处理，从而提高图像的曝光度；然后使用人脸关键点检测网络获取图像的眼睛区域；之后使用卷积神经网络对眼睛区域进行睁、闭眼分类；最后统计单位时间内睁、闭眼数量的比值，以此判定司机是否处于疲劳状态.实验结果表明，在夜间环境中，本文提出的检测算法相对现有算法在检测成功率上提升了15.38%，取得了更好的效果.