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.

行业-电子政务-关键点检测方法、神经网络训练方法、装置和电子设备.zip

pfld_106_face_landmarks 106点人脸关键点检测的PFLD算法实现 :smiling_face_with_smiling_eyes: 转换后的ONNX模型 预训练权重 性能测试 update GhostNet update MobileNetV3 Backbone param MACC nme Link ONNX MobileNetV2 1.26M 393M 4.96% MobileNetV3 1.44M 201.8M 4.40% MobileNetV3_Small 0.22M 13M 6.22% 测试电脑MacBook 2017 13-Inch CPU i5-3.1GHz (single core) backbone FPS(onnxruntime cpu) Time(single face) v2.onnx 60.9 16ms V3.onnx 62.7 15.9ms lite.onnx 255 3.9ms R

yolov5_face_landmark 基于yolov5的人脸检测，带关键点检测 代码说明： 1，在yolov5的检测基础上，加上关键点回归分支，请先下载yolov5的工程： 2，detect_one.py是单张图片的测试代码，　基于部分wideface训练的模型，稍后在百度云公开。 主要修改代码部分： (1)hyp.scatch.yaml中增加关键点loss的超参数（landmark: 0.5） (2)yolo.py中增加了关键点回归的计算 (3)face_datasets.py为人脸数据的读取方式，准备数据的格式参考yolov5的格式，在后面增加关键点的坐标（归一化） (4)　loss.py中增加关键点回归的loss计算 (5) 链接: 密码: j83n (6) 效果图 : 关于口罩人脸的问题： 1，增加口罩人脸这个类别，建议不要直接在检测分支中增加类别。 2，应该在关键点分

keras实现简单CNN人脸关键点检测-附件资源

DRIVE数据集的关键点的groundtruth，这是荷兰的一个团队标记的，是广泛流传的一个．其涉及到的算法主要有MICCAI的论文Multi-task那篇，BICROS算法等．　注意：这里只有点的坐标以及一位专家的手动分割图，想要原图的话去我的另一个资源里找，谢谢～

IOSTAR-dataset 包含原图(彩色图)和分割图和关键点坐标，可以作为点检测（分支点＼交叉点＼末梢点）或者分割的数据集，是经常拿来做点检测的数据集．DRIVE数据集也经常用来点检测，但是这里只有ＩＯＳＴＡＲ．