DSFD对尺度变化、图像模糊、光照、人脸姿态变化、镜面反射、化妆均具有鲁棒性。

人脸图像处理包括人脸检测、人脸识别、人脸跟踪、姿态估计和表情识别等。为了构造自动处理人脸图像的信息系统，首先需要鲁棒、有效的人脸检测算法。分析了有关人脸检测问题的研究方法，并对其进行了分类和评价。从基于知识的方法、特征不变方法、模板匹配方法和基于外观的方法等四个方面介绍了相关的算法和理论，分析了各种方法的优缺点，并提出了关于人脸检测问题的进一步研究方向。

OpenCV做人脸检测时,haarcascade-frontalface-default.xml

基于基于FPGA的人脸检测系统设计的人脸检测系统设计选取一种由粗及精的方法，综合采用基于彩色图像的肤色检测方法和基于几何特征的灰度检测方法，在传统肤色检测算法的

前言 人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上，这个识别率确实非常高了，但是真实的环境中的准确率有多少呢？我没有这方面的数据，但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能，但是我们可以仔细想想员工人脸识别管理，海关身份证系统的应用场景对身份的验证功能其实并没有商家吹嘘的那么重要，打个比方说员工上班的时候刷脸如果失败了会怎样，是不是重新识别一下，如果还是误识别，或是识别不出，是不是就干脆刷卡或是其他方式登记上班，然后骂一句他娘的，本人那

在此介绍一个简易的项目，我们将使用OpenCV和Python实现实时人脸检测，我们将研究 OpenCV 中的 Haar 级联分类器（Haar Cascade Classifier）算法， Haar 级联分类器是一种流行的目标检测算法。 以Haar特征分类器为基础的对象检测技术是一种非常有效的对象检测技术，但其实并不新颖，不过因为技术成熟好用这里依然采用这一方法。它是基于机器学习的，使用大量的正负样本训练得到分类器。其实就是基于对人脸特征的描述，分类器根据训练的样品数据进行训练，完成后即可感知读取到的图片上的特征，进而对图片进行人脸识别。 OpenCV已在GitHub训练结果网址（https://github.com/opencv/opencv/tree/master/data/haarcascades）上分享了其训练好的结果数据，分类器普适性较好可满足一般人脸检测的需要。 在画面中可以看到网络摄像头画面帧中检测出的人脸边界框，要停止网络摄像头获取画面，可按“q”键结束。 Haar级联分类器是一个基础的人脸检测模型，它的检测速度快、精度较高，能够满足常见的人脸检测任务。

使用Yolo神经网络实现人脸检测完整程序（测试通过）

毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBoost算法的人脸检测系统源码+使用说明.zip已获导师指导并通过的高分项目。 毕业设计基于Haar特征与AdaBo ======================================== 训练样本： MIT人脸数据库 样本尺寸：20*20px 样本个数：5971个样本，其中人脸样本为2429个 faces文件夹 包含人脸样本 nonfaces文件夹 包含非人脸样本 ======================================== 测试样本： 加州理工大学 人脸数据库 样本尺寸：896*592px 包含450个样本 faces_test文件夹 （程序剔除了部分非人脸样本，实际检测样本数约为440个） ========================================

Haar分类器结合keras-facenet算法实现人脸检测分割及人脸识别考勤系统完整源码+项目说明.zip 【模式识别-人脸识别考勤系统】 利用Haar分类器完成人脸检测、分割；利用FaceNet网络完成人脸识别。 【依赖库】 opencv-python numpy keras-facenet（见 https://pypi.org/project/keras-facenet/ ） Keras TensorFlow 其中，keras-facenet需要下载预训练模型置于~/.keras-facenet目录下，如果你获得的版本在model/目录下没有带该模型，请自行到该库的GitHub仓库页下载，或在第一次调用该库时也会自动下载。 【使用face_manager.py可以进行人脸的录入，注意录入姓名时，之间不要用空格分隔】 【使用main.py可以进行人脸考勤主操作】 准确率达到93.2% 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。

毕业设计的文献综述“Adaboost是一种自适应的boosting算法，该算法利用大量的分类能力一般的简单（弱）分类器(Basic Classifier)通过一定的方法叠加(Boost)起来，构成一个分类能力很强的强分类器(Strong Classifier)。其基本思想是：当分类器对某些样本正确分类时，则减少这些样本的权值；当错误分类时，则增加这些样本的权值，让学习算法在后续的学习中集中对比较难的训练样本进行学习，最终得到一个识别率理想的分类器。该算法的人脸检测对于单人脸正面图像的检测效果较好,误检率也比较低。然而AdaBoost算法采用顺序前进法搜索策略，尽管每次迭代选择的弱分类器是局部最优，但最终构成强分类器的弱分类器及其系数并不是最优。而且对于侧面及多人脸图像检测正确率不高。