【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

面部情绪检测器 Web应用程序，可使用AI检测您的面部表情并将其与表情符号匹配。 使用ReactJS和face-API.js构建 Face-API.js是用于在tensorflow.js核心API之上实现的浏览器中的人脸检测和人脸识别JavaScript API。 版本2.0 URL /现场演示 关于这个项目 主要目的非常简单，即根据我们在相机前所做的面部表情来显示表情符号。 一旦应用检测到您的脸，它将执行以下两项操作： 更改背景颜色。 将默认表情符号替换为认为与您的表情最匹配的表情符号。 Face-API.js用于简化此过程。 您可以了解更多信息。 注意：您不会在任何时候被录制

脸部活跃度检测 描述 深度学习管道，能够发现人脸与合法人脸，并在人脸识别系统中执行反人脸欺骗。 它是在Keras，Tensorflow和OpenCV帮助下构建的。 样本数据集已上传到sample_dataset_folder中。 方法 检测伪造的面Kong与真实/合法面Kong的问题被视为二进制分类任务。 基本上，给定输入图像，我们将训练一个卷积神经网络，该卷积神经网络能够将真实面Kong与伪造/欺骗面Kong区分开。 该任务涉及四个主要步骤： 构建图像数据集本身。 实现一个能够执行活动检测器（Livenessnet）的CNN。 训练活动度检测器网络。 创建一个能够采用我们训练有素的活动检测器模型的Python + OpenCV脚本，并将其应用于实时视频。 创建一个Web平台以交互方式访问活动度检测算法。 该存储库的内容 sample_liveness_data：包含样本数据集。

打包一键 运行cpu 可以使用 打包一键 运行cpu 可以使用打包一键 运行cpu 可以使用

基于matlab的表情识别代码2D-3D人脸数据集 2D WIDER FACE FACE NIST提供（IJB-B + FRVT（仅测试）） IARPA Janus Benchmark-B面部挑战（IJB-B）定义了八项挑战，应对拥挤图像的验证，识别，检测，聚类和处理。 IJB-B集包含67000个面部图像，7000个面部视频和10000个非面部图像，对此提供了支持。 空军 300瓦（LFPW + AFW + HELEN + IBUG） 马尔夫 FDDB（2009/10） 设计用于研究无约束人脸检测问题的人脸区域数据集。 该数据集包含从“野生”数据集中的“脸部”获取的2845张图像集中的5171个脸部的注释。 可以在下面的技术报告中找到更多详细信息。 VGGFace VGGFace2 数据集包含331万个9131个主题（身份）的图像，每个主题平均362.6个图像。 图片是从Google图片搜索中下载的，并且在姿势，年龄，光照，种族和职业（例如演员，运动员，政治人物）方面存在很大差异。收集数据集时要牢记三个目标：身份，以及每个身份的大量图像； （ii）涵盖各种姿势，年龄和种族； （iii

CNN模型Retina Face parameters

该工程代码是实现了最基本的QT界面设计以及把ui界面转换成python文件的界面程序，需要的朋友请自取。。。。。。。。。。。。。。。。。。

人脸识别 本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的白种人，20％的非洲人，10％的东南亚人），而其他人的种族背景分布均匀（33％的白人，33％的非洲人，33％的东南亚人）。 这两个数据集每个类（人）都包含两个图像，旨在模拟法律规范应用，其中每个人的可用图像数量预计会很少。 培训方法基于[1]中使用的方法。 首先通过均值减法和标准化对训练图像进行预处理。 然后执行PCA，得到一个180维子空间（450的40％），该子空间在受人口影响的数据中分别保留99.66％的信息，在公平意识的数据中分别保留99.68％的信息。 然后将这些预测用作ICA和LDA的输入数据。 生成的空间用于投影以前看不见的图像，并通过将它们与同一个

https://github.com/hysts/anime-face-detector

https://github.com/hysts/anime-face-detector