人脸识别技术 简单的 可是存储多个人的信息 并进行是别 包含实验报告

主要功能 （1）可以通过从本地图片导入系统，或者直接相机进行拍摄等方法对图片和视频进行处理并分析。 （2）可以切换模型对图片进行处理。 实现原理 （1）表情库的建立 目前，研究中比较常用的表情库主要有:美国CMU机器人研究所和心理学系共同建立的Cohn-Kanade AU-Coded Facial Expression Image Database(简称CKACFEID)人脸表情数据库;fer2013人脸数据集等等，这里我们的系统采用fer2013人脸数据集。 （2）表情识别: ①图像获取:通过摄像头等图像捕捉工具获取静态图像或动态图像序列。 ②图像预处理:图像的大小和灰度的归一化，头部姿态的矫正，图像分割等。（改善图像质量，消除噪声，统一图像灰度值及尺寸，为后序特征提取和分类 识别打好基础） （3）特征提取:将点阵转化成更高级别图像表述—如形状、运动、颜色、纹理、空间结构等,?在尽可能保证稳定性和识别率的前提下，对庞大的图像数据进 行降维处理。 （4）基于运动特征的提取：提取动态图像序列的运动特征 （5）分类判别:包括设计和分类决策(在表情识别的分类器设计和选择阶段，主要有以下方法：

OpenCV之人脸，眼睛，鼻子，嘴巴的识别源代码资料

该软件包接受的唯一图像是 .pgm（便携式灰度图）图像。 所有图像的大小应相同。 训练： 需要一组人脸图像来训练系统。 这些图像应放在 Matlab 路径中的单个文件夹中。 使用以下函数进行训练： [图像,H,W,M,m,U,omega]=trainingEF(trainingFolder); 在哪里 trainingFolder - 包含训练人脸图像的文件夹的完整路径 认出： 要识别的人脸图像也应该是 .pgm 文件。 使用以下函数进行识别： testingEF(testImage,images,H,W,M,m,U,omega) 在哪里testImage - 要识别的人脸图像的文件名（带扩展名）， images,H,W,M,m,U,omega - 训练函数的输出参数 测试图像和测试图像对应的训练集中的图像显示为输出。

本程序通过Python爬取知乎小姐姐图片，并通过百度的人脸识别api进行人脸识别，并实现颜值打分，最好用Anaconda工具运行本程序

CAS-PEAL-R1 人脸数据库

安卓apk静默活体检测，用于人脸识别中的防欺骗

Matlab关于人脸识别系统-人脸matlab系统.rar 希望对大家有帮助！ 所含文件： 20090703140255046.jpg 结果： 20090703140241843.jpg

深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip也可作为人工智能大作业 深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip深度学习基于卷积神经网络的人脸面部表情识别项目源码+面部表情数据集+训练好的模型.zip 环境 数据集： Fer2013 ，Emoji表情集 神经网络框架： Keras,Tensorflow-gpu 分类器： 基于Opencv-Normal Bayes Classifier(正态贝叶斯分类)训练的贝叶斯分类器 配置环境： python==3.6.0 tensorflow-gpu==1.8.0 keras-gpu==2.1.6 opencv==3.3.1 其他环境详见：environment.yaml