Ncnn_FaceTrack 基于mtcnn人脸检测+ onet人脸跟踪，在i7-9700k的cpu检测速度可高达250fps MNN基于mtcnn人脸检测+ onet人脸跟踪，在i7-9700k的cpu检测速度可高达500fps。 开发环境 赢7 vs2015 开源框架 引用 这是一个移动端快速视频多人脸跟踪的开源项目，这个项目是基于mtcnn人脸检测加上最简单的模板匹配进行人脸跟踪的，算法简单但效果显着，移动端速度可以达到150帧以上，该项目的特点是可实现多人脸跟踪。 代码算法解析 HyperFT项目的多人脸跟踪算法分三大部分： 第一部分是初始化，通过mtcnn的人脸检测识别第一帧的人脸位置然后将其结果对人脸跟踪进行初始化； 第二部分是更新，利用模板匹配进行人脸目标位置的初步预判，再结合mtcnn中的onet来对人脸位置进行更为精细的定位，最后通过mtcnn中的rnet的放置信度来

使用Pytorch进行人脸识别 Python 3.7 3.6 3.5 地位 这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA-Webface上进行了预训练。 使用从David Sandberg的移植的参数来初始化Pytorch模型权重。 此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现。 目录 视频流中的人脸跟踪 使用新数据微调预训练模型 Facenet-PyTorch中的MTCNN指南 人脸检测套件的性能比较 FastMTCNN算法 与Docker一起运行 在您自己的git项目中使用此仓库 将参数从Tensorflow转换为Pytorch 参考 快速开始 安装： # With pip: pip install facene

使用Pytorch Python 3.7 3.6 3.5状态的人脸识别这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA上进行了预训练-我们使用Pytorch Python 3.7 3.6 3.5状态这是用于Inception Resnet（V1）模型的存储库在pytorch中，已在VGGFace2和CASIA-Webface上进行了预训练。 使用从David Sandberg的tensorflow facenet存储库移植的参数来初始化Pytorch模型权重。 此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现

1，小白做毕设参考 2，mtcnn+facenet进行人脸识别 3，活体检测 4，考勤管理（导入导出表啥的） 5，信息采集 6，注意！这个项目没有训练模型，我直接提取人脸特征存到数据库中，人脸识别时对比欧式距离。 7，数据库看我的文档或者图片照着建就行

tensorrt_demos 展示如何使用TensorRT优化caffe / tensorflow / darknet模型并在NVIDIA Jetson或x86_64 PC平台上运行推理的示例。 在Jetson Nano上以约4.6 FPS运行优化的“ yolov4-416”物体检测器。 在Jetson Nano上以约4.9 FPS的速度运行优化的“ yolov3-416”物体检测器。 在Jetson Nano上以27〜28 FPS运行优化的“ ssd_mobilenet_v1_coco”对象检测器（“ trt_ssd_async.py”）。 在Jetson Nano上以6〜11 FPS运行非常精确的优化“ MTCNN”面部检测器。 在Jetson Nano上以“每张图像〜16毫秒（仅供参考）”运行优化的“ GoogLeNet”图像分类器。 除了Jetson Nano，所有演

Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 进行预测所需的facenet_keras.h5可以在Release里面下载。 也可以去百度网盘下载 链接: 提取码: tkhg 使用方法 1、先将整个仓库download下来。 2、下载完之后解压，同时下载facenet_keras.h5文件。 3、将facenet_keras.h5放入model_data中。 4、将自己想要识别的人脸放入到face_dataset中。 5、运行face_recognize.py即可。 6、align.py可以查看人脸对齐的效果。 效果 face_recognize.py的运行结果： )

1.camera实现实时预览。2.MTCNN对实时预览的视频流进行人脸识别 并画出特征点

指示 MTCNN是人脸检测模型 中文介绍可以在找到 参考和 ，我修复了一些会出现在训练中的错误，添加了学习率表并优化了训练参数。他们最初提供的模型重量。 测试图片 MTCNN中的WiderFaceVal性能 MTCNN-原始的是原始体重参数的测试结果MTCNN训练的是我训练的测试结果 风格 简单的 中等的 难的 MTCNN原始 65.3％ 65.1％ 40.3％ 经过MTCNN训练 71.4％ 70.4％ 43.2％ 安装 1.pytorch 2.opencv 测试 单张图片 修改程序中的图像路径 python detect.py 训练模型 下载组织数据集目录，如下所示： ./data_set/face_detection/ WIDER_train/ images/ WIDER_val/ images/ 我已经制作了标签文件 ./a

mtcnn-opencv 使用此实现，您的机器上不需要Caffe即可进行MTCNN推理。 OpenCV使用提供推理支持的DNN模块。 该模块能够从各种流行的框架（例如Caffe，tensorflow，darknet等）中获取模型和权重。 更多信息在这里 神经网络 [ZHANG2016] Zhang，K.，Zhang，Z.，Li，Z.，and Qiao，Y.（2016）。 使用多任务级联卷积网络进行联合人脸检测和对齐。 IEEE信号处理快报，23（10）：1499–1503。 快速开始 要求 OpenCV 4.1以上 CMake 3.2+ 建造 git clone https://github.com/egcode/mtcnn-opencv.git cd mtcnn-opencv mkdir build cd build cmake .. make 跑 cd mtcnn-opencv

MTCNN-Tensorflow-master .zip进行模型训练的时候 需要的地标训练数据