本项目是一个基于前端人脸识别技术实现的照片合成示例，主要基于javascript实现拍照获取图片并优化上传功能

mtcnn对齐facenet部署 项目简介 本项目参考了bubbliiiing的和两个工程，在此对作者表示感谢！ 这两个工程都是keras模型，所提供的模型文件都只有权重没有网络结构，我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件。某个原始先只有权重的模型文件pnet.h5 ，生成包含网络结构和权重的模型文件PNET.h5 。接着用keras2onnx工具把它（ PNET.h5 ）转换成onnx模型pnet.onnx ，其他胶水部分的逻辑没什么变化。具体的转换代码请参考keras_onnx.py文件。 另外我还尝试了将keras h5模型转成tensorflow pb模型，具体代码请参考h5_to_pb.py文件。需要注意的是：每个tensorflow PB请模型单独执行h5_to_pb.py脚本生成。 （每次修改weight_file参数） 如果你想简单地测试一下mt

人脸检测matlab代码

采用目前最好的人脸检测算法Centerface 在Android Studio 4平台下实现，需要用到OpenCV4 核心算法部分用C++实现

在dlib实例基础上实现了人脸检测和人脸框图像的本地保存；批量读取文件并保存人脸关键点至txt和标签至文件。

一、课题名称 基于MATLAB的安全帽检测系统 二、课题介绍 众所周知，在一些施工工地，必须明确佩戴安全帽。可以对生命安全起到保障作用。该课题为常见的安全帽的识别，主要分为红色，蓝色，黄色三类安全帽。而安全帽的主要是红色，蓝色，黄色，而我们知道，任何颜色都是有红绿蓝三原色组成的，即RGB。通过R G B不同比例的组合，可以定位出红色，蓝色，黄色。但是现实中的图片，往往伴随着周边建筑物，植物等也有类似颜色，这时候通过以上颜色的方式仅仅还是初步的定位，这时候还需要结合形态学的知识，将面积大于或者小于一定阈值的干扰去除掉，留下精确的交通标志的轮廓，再原图基础上给显示出来，接下来分割出交通标志图片，进行神经网络的训练，从而识别出具体属于什么信号标志。整个设计配一个GUI可视化界面。 三、GUI设计草图

基于mxnet的retinaface人脸检测和MobileFaceNet,ArcFace人脸识别 包含模型可直接运行

DNN，深度学习使用到的配置文件, 基于OpenCV3.4.3，caffemodel

RetinaFace 实现的同时人脸检测 关键点 口罩检测 1. linux用户打开rcnn/cython/setup.py 121行注释(windows跳过) 2. 进入cython目录 执行python setup.py build_ext --inplace 3. 运行python test.py 注意如果缺少mxnet等类库 自行使用pip安装

针对口罩检测，进行调研，包括了分类器的设计，人脸检测的设计。 其中主要分为两阶段，先是人脸检测，然后将检测到的人脸，进行二分类，标签为戴口罩，不戴口罩。包括了pytorch的代码，ppt的讲解，技术文档。 人脸识别是MTCNN，然后分类可以自己训练，我采用的是ResNet-18.