此项目是利用MTCNN进行人脸检测，之后使用FaceNet进行人脸识别，环境为TensorFlow+pycharm

人脸检测方法有许多，比如opencv自带的人脸Haar特征分类器和dlib人脸检测方法等。对于opencv的人脸检测方法，有点是简单，快速；存在的问题是人脸检测效果不好。正面/垂直/光线较好的人脸，该方法可以检测出来，而侧面/歪斜/光线不好的人脸，无法检测。因此，该方法不适合现场应用。对于dlib人脸检测方法 ，效果好于opencv的方法，但是检测力度也难以达到现场应用标准。 MTCNN是基于深度学习的人脸检测方法，对自然环境中光线，角度和人脸表情变化更具有鲁棒性，人脸检测效果更好；同时，内存消耗不大，可以实现实时人脸检测。 代码如下： from scipy import misc impo

MTCNN（多任务卷积神经网络）人脸检测三个级联层pnet，rnet，onet的pb模型

本资源针对人脸识别的级联检测方法进行保姆级的教程，适合初学人工智能、对计算机视觉领域感兴趣，但缺少项目经历的小白学习，包含PyTorch和TensorFlow两个版本，均在前人代码上进行过改写，推荐使用PyTorch版本。内含数据集下载地址。

最近需要做人脸对齐的算法，通俗理解就是将图片人人脸姿态不太正确的给矫正过来，所以写了python版本的人脸对齐算法。基本原理是先通过MTCNN检测到人脸的五个关键点，再把原图中人脸区域外扩100%（这样做的目的是保证对齐后图片中没有黑色区域，当然这个外扩的比例是看对齐效果自己可以调节的，我这里设置的100%）。最后的人脸对齐尺寸分为两种：112X96尺寸和112X112尺寸，其中首先需要定死仿射变换后人脸在目标图上的坐标，然后直接变换。废话不多说，直接手撕代码。 # 该代码实现利用人脸的五点仿射变换实现人脸对齐 # 具体就是首先使用mtcnn检测算法检测出人脸区域，并得到lanmarks关键

1.ncnn源代码及模型 2.mtcnn源代码以及个人对mtcnn理解注释

深度学习 ，目标检测 、卷积神经网络

使用TensorRT的NVIDIA Jetson（Nano）的人脸识别 带有架构的人脸识别和David Sandberg（ ）使用TensorRT和OpenCV重新训练的模型。 该项目基于FaceNet模型的输出层中所需的l2norm helper函数的实现。 链接到： 。 此外，该项目使用的改编版本进行人脸检测。 下面的更多信息。 硬件 NVIDIA Jetson Nano Raspberry Pi v2相机 如果要使用USB摄像头而不是Raspi摄像头，请在中将布尔值isCSICam设置为false。 依存关系 cuda 10.2 + cudnn 8.0 TensorRT 7.x OpenCV 4.1.1 TensorFlow r1.14（用于Python将模型从.pb转换为.uff） 更新 这个主分支现在使用Jetpack 4.4，因此依赖项已稍有更改，并且不再预先安装tens

tensorflow训练的mtcnn的PNet,RNet,ONet的模型文件：*.data-00000-of-00001，*.index 和 *.meta这3个文件转为npy文件

MTCNN 的 TensorFlow 实现-附件资源