使用face_recognition实现人脸检测、人脸关键点检测、人脸识别。压缩包中包含ipynb文件和图片素材，上传到python.jupyter.vip就能运行，也可以在自己电脑搭建jupyter环境运行。
使用face_recognition实现人脸检测、人脸关键点检测、人脸识别。压缩包中包含ipynb文件和图片素材，上传到python.jupyter.vip就能运行，也可以在自己电脑搭建jupyter环境运行。
使用face_recognition实现人脸检测、人脸关键点检测、人脸识别。压缩包中包含ipynb文件和图片素材，上传到python.jupyter.vip就能运行，也可以在自己电脑搭建jupyter环境运行。
2022-06-18 16:35:15
1.92MB
1
各种像素的AR人脸数据库，28x20，15x12，33x30，120x65，126 people (over 4,000 color images).
Different facial expressions, illumination conditions and occlusions.
Two sessions per person (2 different days).
2022-06-18 14:32:43
44.63MB
1
这是我们实验室一直使用的AR人脸数据库，不是图像的形式,是mat格式的。这是把原来大小为60*60的图像变成一列组成的。一共有119类，每类有26个样本。这个数据库适合人脸识别研究。我们直接用PCA或LDA对数据库进行操作。
2022-06-18 14:31:59
5.79MB
1
opencv 无法直接显示多国语言,很不方便,这个wheel 已经包含freetype中文支持,还有其他的extra /contrib 都已经编译.
2022-06-18 14:07:59
43MB
去噪声代码matlab
3DfaceRecognition
3D人脸和耳朵识别系统的开发
克隆回购或下载zip文件夹。
转到下载部分并将其解压缩。
解压缩的文件夹将被命名为“
3DFaceRecognition-master”。
将文件夹保存在要运行代码的所需目录中。
修改变量“
workspace_add”和“
imgFolder”的路径（第2行和第4行）
将FRGC2.0
3D数据库图像保存在文件夹“
FRGC_3D_Face_Database”中。
最初仅保留一张图像（或使用我保留在文件夹“
FRGC_3D_Face_Database”中的图像）并运行代码以检查小麦程序是否可以修剪面部区域，随后将所有数据库图像保留在“
FRGC_3D_Face_Database”文件夹中。
当您为整个数据库运行代码时，请在MATLAB中的第48-52行注释，因为要花很长时间才能可视化每个图像的点云。
运行preprocess.m以执行前置步骤。
该主要功能将读取图像，修剪面部区域，去除尖峰，填充Kong并将其去噪。
有关更多详细信息，请访问Medium上的文章：
程序已在MATLAB
R2017
2022-06-18 11:22:00
2.87MB
1
基于Accord.net的人脸识别与单帧视频捕获 C#项目示例视频捕获代码思路来源于Record video with Accord.net (AForge)
2022-06-18 09:06:30
61.18MB
基于遗传神经网络的人脸识别分类器设计，赵天刚，杜谦，神经网络由于具有抗干扰性和容错性，常被用在人脸识别的分类器中。但是，神经网络的训练过程花费的时间很长，训练的次数多，而且
2022-06-17 22:15:13
231KB
1
本资源包括使用支持向量机（SVM）算法进行人脸识别预测的全部源码
SVM就是帮我们找到一个超平面，这个超平面能将不同的样本划分开，同时使得样本集中的点到这个分类超平面的最小距离（即分类间隔）最大化。
支持向量机算法（Support Vector Machine，SVM），是一种二分类模型。
对于二分类问题，如果我们从数据集是否线性可分角度来看的话（线性可分通俗理解就是画一条直线，可以直接将两种类型的数据分开），可以将数据分为三种类型，一类是线性可分的、一类是近似线性可分（有一些异常点导致无法线性可分）、一类是线性不可分。
这三种场景对应的SVM的算法分别是硬间隔SVM、软间隔SVM和非线性SVM。
本案例使用支持向量机（SVM）算法实现人脸识别功能。
算法内容包括：
1、获取数据集
2、数据划分
3、PCA特征提取
4、使用线性SVM进行预测
5、交叉验证
6、超参数调优
7、预测结果分析
8、混淆矩阵评估
2022-06-17 16:06:30
206KB