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

人脸识别模型 该软件包仅包含使用的模型。 有关更多信息，请参见 。 这些模型由（ 创建，并在公共领域或CC0 1.0 Universal下获得许可。 请参阅许可。

VGG-FACE 深度神经网络的训练数据集，需要自己运行python代码下载。

使用PCA-2D-PCA和2D-Square-PCA进行人脸识别 用于识别人脸的Python中PCA / 2D-PCA / 2D（Square）-PCA的实现： 单人图像 集团形象 识别视频中的人脸 ORL数据集的准确性 PCA（93.42％） 二维PCA（96.05％） 2D（平方）-PCA（97.36％） 要求 麻木 OpenCV 科学的 用法 在Face_Recognition类中，使用来自（pca，2d-pca，2d2-pca）的algo_type 在Face_Recognition类中，将reco_type用作 对于单张图片= 0 视频= 1 对于组图像= 2 该项目使用ORL数据集，您可以将数据集放置在images文件夹中，并在dataset.py文件中更改数据集的名称（可以使用提供的FaceExtractor通过提取面部来创建新的数据集） 运行Face_Rec

问题陈述 一种用于基于用户搜索来推荐书籍的书籍推荐系统。 数据集 您可以从下载数据 数据集详细信息 BX-Book-Ratings.csv 用户ID（提供评分的用户） ISBN（由用户评定的图书的ISBN） 预订率（从0到10） BX-Books.csv ISBN（本书的ISBN） 书名（书名） 图书作者（书籍的作者） 出版年份（该书出版的年份） 出版商（该书的出版商） Image-URL-S（用于小尺寸图像的URL） Image-URL-M（中型图像的URL） Image-URL-L（用于大尺寸图像的URL） BX-Users.csv 用户ID（用户） 位置（用户地址） 年龄（用户年龄） 算法 所使用的算法是KNN机器学习算法，它实际上是一种查找其最近邻居的算法。 执行程序说明 您可以直接从github克隆或下载项目。 下载项目后，您需要可从下载的数据集

face_dataset img 人脸识别 样例

face_dataset img 人脸识别样例图

unity人脸分析插件，人脸属性检测，比较有趣，共同学习，共同进步

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

【OpenCV】人脸识别 实验报告：人脸识别方法的重新研究和实验分析 有关更多详细信息，参见