主要为大家详细介绍了基于Python3 OpenCV3实现静态图片人脸识别，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

python 人脸68个关键点检测器

基于python的人脸识别、提取特征值

Python人脸识别第三方库face_recognition接口简单说明，及简单使用方法

源码及文件 Python+opencv人脸识别（笔记1） 附件： 源码+相关文件

人脸表情识别 2020.8.22，重构了整个仓库代码，改用Tensorflow2中的keras api实现整个系统。考虑到很多反映jupyter notebook写的train使用起来不太方便，这里改成了py脚本实现。 2020.12.18，根据反馈，修改了Jaffe的优化器设置。 简介 使用卷积神经网络构建整个系统，在尝试了Gabor、LBP等传统人脸特征提取方式基础上，深度模型效果显著。在FER2013、JAFFE和CK+三个表情识别数据集上进行模型评估。 环境部署 基于Python3和Keras2（TensorFlow后端），具体依赖安装如下(推荐使用conda虚拟环境)。 git clone https://github.com/luanshiyinyang/FacialExpressionRecognition.git cd FacialExpressionRecognition conda create -n FER python=3.6 source activate FER conda install cudatoolkit=10.1 conda install cudnn=7.6.5 pip install -r requirements.txt 如果你是Linux用户，直接执行根目录下的env.sh即可一键配置环境，执行命令为bash env.sh。 数据准备 数据集和预训练模型均已经上传到百度网盘，链接给出，提取密码为2pmd。下载后将model.zip移动到根目录下的models文件夹下并解压得到一个*.h5的模型参数文件，将data.zip移动到根目录下的dataset文件夹下并解压得到包含多个数据集压缩文件，均解压即可得到包含图像的数据集（其中rar后缀的为原始jaffe数据集，这里建议使用我处理好的）。 项目说明 传统方法 数据预处理 图片降噪 人脸检测（HAAR分类器检测（opencv）） 特征工程 人脸特征提取 LBP Gabor 分类器 SVM 深度方法 人脸检测 HAAR分类器 MTCNN（效果更好） 卷积神经网络 用于特征提取+分类 网络设计 使用经典的卷积神经网络，模型的构建主要参考2018年CVPR几篇论文以及谷歌的Going Deeper设计如下网络结构，输入层后加入(1,1)卷积层增加非线性表示且模型层次较浅，参数较少（大量参数集中在全连接层）。 模型训练 主要在FER2013、JAFFE、CK+上进行训练，JAFFE给出的是半身图因此做了人脸检测。最后在FER2013上Pub Test和Pri Test均达到67%左右准确率（该数据集爬虫采集存在标签错误、水印、动画图片等问题），JAFFE和CK+5折交叉验证均达到99%左右准确率（这两个数据集为实验室采集，较为准确标准）。 执行下面的命令将在指定的数据集（fer2013或jaffe或ck+）上按照指定的batch_size训练指定的轮次。训练会生成对应的可视化训练过程，下图为在三个数据集上训练过程的共同绘图。 python src/train.py --dataset fer2013 --epochs 300 --batch_size 32 模型应用 与传统方法相比，卷积神经网络表现更好，使用该模型构建识别系统，提供GUI界面和摄像头实时检测（摄像必须保证补光足够）。预测时对一张图片进行水平翻转、偏转15度、平移等增广得到多个概率分布，将这些概率分布加权求和得到最后的概率分布，此时概率最大的作为标签（也就是使用了推理数据增强）。 GUI界面 注意，GUI界面预测只显示最可能是人脸的那个脸表情，但是对所有检测到的人脸都会框定预测结果并在图片上标记，标记后的图片在output目录下。 执行下面的命令即可打开GUI程序，该程序依赖PyQT设计，在一个测试图片（来源于网络）上进行测试效果如下图。 python src/gui.py 上图的GUI反馈的同时，会对图片上每个人脸进行检测并表情识别，处理后如下图。 实时检测 实时检测基于Opencv进行设计，旨在用摄像头对实时视频流进行预测，同时考虑到有些人的反馈，当没有摄像头想通过视频进行测试则修改命令行参数即可。 使用下面的命令会打开摄像头进行实时检测（ESC键退出），若要指定视频进行进行检测，则使用下面的第二个命令。 python src/recognition_camera.py python src/recognition_camera.py --source 1 --video_path 视频绝对路径或者相对于该项目的根目录的相对路径 下图是动态演示的在Youtube上某个视频上的识别结果。

本文实例为大家分享了python动态人脸检测的具体代码，供大家参考，具体内容如下 直接上代码: 按Q退出 import cv2 import numpy as np cv2.namedWindow(test) cap = cv2.VideoCapture(0) #加载摄像头录制 # cap = cv2.VideoCapture(test.mp4) #打开视频文件 success, frame = cap.read() # classifier = cv2.CascadeClassifier(/Users/yuki/anaconda/share/OpenCV/haarcascade

Python基于OpenCV的CNN人脸识别，仅供学习参考-

为寻求当今社会针对公共自习资源有更好的解决方案。现基于 Python 的人脸识别、机器学习相关技术搭配微信小程序的方法，主要应用于校园图书馆自习室等场所。有利于减少学生因大量占座而导致上座率和座位使用率极低的问题，且对自习室智能化的管理能有效的维护自习室的秩序。从而解决这一痛难点问题。

写在前面 python代码很简短，不像C++等要写几百行代码，但其实你调用的模块，底层都是用C/C++写的 如果imshow出现qt.qpa.plugin: Could not find the Qt platform plugin “cocoa” in “”的报错，请看：Stackoverflow解决方案 请提前安装好opencv-python库 由于历史原因opencv-python库使用时只能叫cv2 人脸检测效果图 python完整代码 识别静态图片 # 导入opencv-python库 import cv2 picName = input("请输入你要识别人类的图片名称(如:pi