FDDB（Face Detection Data Set and Benchmark）Dataset 是一个面部区域数据集，主要用于研究无约束人脸检测问题，该数据集包含 Wild Dataset 中 Faces 获取的 2845 张图像中的 5171 个面部注释。 FDDB Dataset 由马萨诸塞大学阿默斯特分校 – 计算机科学系于 2010 年发布，相关论文有《FDDB: A Benchmark for Face Detection in Unconstrained Settings》。

Labeled Faces in the Wild Dataset 是一个面部图像数据集，专为研究无约束人脸识别开发，该数据集包含从网络收集的 13,000 多张面部图像，每张图片标注有人物名称，共有 1680 人，这些图片均由 Viola – Jones 面部探测器所拍摄。 Labeled Faces in the Wild Dataset 由马萨诸塞大学阿默斯特分校于 2007 年 10 月发布，主要发布人为 Erik Learned-Miller、 Gary B. Huang、 Aruni RoyChowdhury、 Haoxiang Li 和 Gang Hua，相关论文有《Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments》。

ORL 数据集是由剑桥大学 AT&T 实验室提供，包含 400 张面部图像。该数据集中图像分为 40 个不同的主题，每个主题包含 10 幅图像，且对于其中一些主题，图像拍摄的时间、光照、面部表情及细节等都有差异。所有图像都为黑色背景，可用于面部识别等研究使用

面部特征点定位算法研究.pdf

超人梭子鱼 UltraFaceBarracuda是一个Unity示例项目，显示了如何在Unity 上运行脸检测神经网络模型。 有关UltraFace（“ Ultra-Light-Fast-Generic-Face-Detector-1MB”）模型的详细信息，请参见。 系统要求 统一2020.2 梭子鱼1.3.0 样例场景 静态图像测试 StaticImageTest使用给定的单个图像运行面部检测模型。 它使用Unity UI系统可视化边界框，该边界框显示了如何通过简单的C＃脚本使用检测结果。 网络摄像头测试 WebcamTest使用来自与UVC兼容的视频捕获设备（网络摄像机，HDMI捕获等）的视频流来运行面部检测模型。 它使用间接绘图来绘制边界框-换句话说，它可以可视化检测结果，而无需GPU-to-CPU的回读，因此它可以以高性能的方式运行。 您还可以设置纹理来装饰边框。

基于人脸识别的考勤系统 详细项目在这里工作... 该项目包含两个使用flask和python3开发的webapp。（ ） 使用的数据库：MySQL社区版。 对于面部识别，我使用了ageitgey的python3“ face_recogntion”。（ ），它是使用dlib先进的面部识别技术构建而成的，该面部识别技术是通过深度学习构建的。 该模型在Wild基准中的Labeled Faces上的准确性为99.38％。 为了进行欺骗检测，我通过重新训练它的最后一层来使用tensorflow初始模型，以便它可以检测图像中的手机。（ ） 为了生成和管理Excel，我使用了xlrx，xl

数字图像处理论文提交 基于iOS系统 人脸识别 人脸检测

通过训练jaffe数据库，实现识别人脸高兴、惊讶、恐惧、生气等六种表情，并圈出。可调用电脑摄像头实时监测。内附有使用说明，可以使用。仅供学习参考。

使用OpenCV实现人脸部和眼睛的识别，代码和用到的资源已经打包。觉着有用就下载吧。

matlab曲线的颜色代码面边界 该程序将图像作为输入并绘制： 鼻尖 脸的边界 在面的右侧（从我们的角度来看）以2度的间隔在边界上绘制点。 您可以在左侧的代码中轻松更改此代码。 用线连接2点 这个概念 我们首先使用CascadeObjectDetector检测鼻子和眼睛。 我将这些区域扩展到分别包括嘴巴和眉毛。 这些区域被迫成为最终面部区域的一部分。 通过对灰度图像的二阶导数进行阈值化来完成面部边界的检测。 尤其是下巴很难正确检测。 下巴和颈部之间的边界通过施加较大的腐蚀步骤而突出显示。 由于此步骤对面部区域的噪声敏感，因此首先通过应用较小的膨胀和腐蚀步骤对图像进行非线性滤波。 使用侵蚀的图像确定脸部区域，否则下巴和颈部之间的边界可能不清晰。 然后，通过应用（反向）膨胀步骤来消除大的侵蚀。 对于简单方法而言，结果是相当不错的，但并不完美。 通过迭代更改用于二阶导数的阈值，您可能会获得更好的结果。 如果您从较大的阈值开始，则脖子将被包括在面部区域中。 您可以通过假设鼻子区域和脸部底部之间有一些最大距离来检测到它。 然后，您可以降低阈值，直到不再包括颈部。 使该方法更健壮的另一种选择可能是