LBPH算法粗略地将检测到的人脸分成小单元，并将其与模型中的对应单元进行比较，对每个区域的匹配值产生一个直方图。LBPH 是唯一允许模型样本人脸和检测到的人脸在形状、大小上可以不同的人脸识别算法。代码部分采用Opencv与Python编程，并且将LBPH算法和 Eigenfaces 算法与Fisherfaces 算法进行人脸识别效果比较，准确率达到97%以上(目前在识别黑人时代码效果不佳)

C++编写的一个人脸部分美颜算法,人脸检测采用级联分类器，使用导向滤波美化，最后用泊松融合消除边缘融合问题

Deep learning face detection and recognition, implemented by pytorch. (pytorch实现的人脸检测和人脸识别)

**DFace** 是个开源的深度学习人脸检测和人脸识别系统。所有功能都采用　**[pytorch](https://github.com/pytorch/pytorch)**　框架开发。pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。 DFace可以利用CUDA来支持GPU加速模式。我们建议尝试linux GPU这种模式，它几乎可以实现实时的效果。

我们的脸部数据库（以前的'ORL脸部数据库'）包含一组1992年4月至1994年4月在实验室拍摄的脸部图像。该数据库用于与 剑桥大学工程部 言语，视觉和机器人小组合作开展的面部识别项目。 每个40个不同的主题有10个不同的图像。对于某些科目，图像是在不同的时间拍摄的，改变了照明，面部表情（开放/闭眼，微笑/不微笑）和面部细节（眼镜/没有眼镜）。所有图像都是在黑暗的均匀背景下拍摄的，拍摄对象处于直立的正面位置（对某些侧面运动具有宽容度）。可以使用面部数据库的预览图像。 这些文件采用PGM格式，可以使用'xv'程序方便地在UNIX（TM）系统上查看。每幅图像的大小为92×112像素，每像素有256个灰度级。这些图像被组织在40个目录中（每个主题一个），它们具有表单的名称 sX，其中X表示主题编号（介于1和40之间）。在这些目录的每一个中，该主题有十个不同的图像，其具有该形式的名称 Y.pgm，其中Y该主题的图像编号（在1和10之间）。

利用opencv2.3.1 开发的adaboost人脸检测，使用了正面人脸分类器，当摄像头检测到的正面人脸消失三秒钟后记录摄像头照片。项目开始的时候会有记录十张用户图片计算平均人脸面积。

编写的C# win form程序，实现了调用emgucv库通过adaboost算法进行人脸和眼睛的检测，使用的正面人脸分类器。

使用python3.6（64位）和Labview2019（64位）联合开发的人脸检测和人脸识别功能的demo。必须在windows（64位）系统上运行。同时，Labview必须安装VAS模块。小伙伴下载后，请先阅读readme.txt文件。

人眼，人脸等检测代码，网上找的那些检测代码，我实在看不下去，浪费我那么长时间，统统见鬼去吧。。

自己收集的一些人脸数据库，特别是用程序进行了批量修改20x20的人脸，将其pcm格式转成了常用的bmp格式。