1、支持人脸检测、人脸质量检测、人脸追踪、活体检测、人脸比对、性别年龄检测； 2、离线永久，附带人证比对、门禁、属性分析场景开发的C/C++和C#语言demo，开发简单快捷； 3、精度高达99.9%，毫秒级识别，服务高效，万人级人脸场景400ms以内；

数字图像处理论文提交 基于iOS系统 人脸识别 人脸检测

人脸识别算法优化

face-api.js：利用tensorflow.js在浏览器中进行人脸检测和人脸识别的JavaScript API

针对传统主成分分析法在特征提取中出现的耗时过长、平均对待所有像素点等问题，提出一种双中心羽化加权双向PCA（Bidirectional WPCA，BD-WPCA）的算法。算法首先将训练人脸样本和测试人脸样本图片进行双中心羽化加权处理，以增加人脸主要器官在识别中所占的比重；再用双向PCA算法分别在行和列方向上降维并提取特征；最后用K近邻法匹配分类。该算法在降低运算耗费时间，具有可行性。

202x年人脸识别智能监控系统整体技术设计解决方案(专业完整版).docx

人脸识别-ajax-flask

基于PCA人脸识别代码

Haar特征 哈尔特征使用检测窗口中指定位置的相邻矩形，计算每一个矩形的像素和并取其差值。然后用这些差值来对图像的子区域进行分类。 haar特征模板有以下几种： 以第一个haar特征模板为例 计算方式 1.特征 = 白色 – 黑色(用白色区域的像素之和减去黑色区域的象征之和) 2.特征 = 整个区域 * 权重 + 黑色 * 权重 使用haar模板处理图像 从图像的起点开始，利用haar模板从左往右遍历，从上往下遍历，并设置步长，同时考虑图像大小和模板大小的信息 假如我们现在有一个 1080 * 720 大小的图像，10*10 的haar模板,并且步长为2，那么我我们所需要的的计算量为: (

为了人脸识别的相关算法能快速运行，选择了TI公司的DSP处理器，另附加键盘模块和PAL制式输出模块，可以脱离PC独立对PAL视频信号进行采集和处理，并独立运行人脸的定位，特征抽取以及人脸的识别。硬件方面，系统采用了存储器切换系统，使得图像数据缓存和读取分别由CPLD和DSP独立且同时执行，缩短了数据的处理周期，保证了系统的实时运行。软件设计包括了：人脸定位、人眼定位、样本存储以及人脸识别。其中样本由DSP自动选取，根据人眼定位和人脸标记方框的大小共同决定，选取一部分大小相等且眼距相同的图片作为训练样本以及待识别样本。在主分量分析过程中，提取出主分量构成特征脸空间，将原样本投影到该空间内一点，再