重点讲到人脸识别中图像处理的预处理部分，是人脸检测之前必不可少的环节，很有用

本项目从生活细节出发，将计算机视觉应用在饭堂人数检测上，结合软硬件设施：算法基于深度卷积神经网络模型，硬件基于树莓派 RaspberryPi3 Model B，终端为 Web APP 或者公众号平台，学生可以通过终端获取饭堂人数密度热力图。

结合二维离散小波变换（2DDWT）和二维非负矩阵分解（2DNMF）两者的优点, 提出了一种新的人脸识别融合算法2DDWT 2DNMF。首先利用小波变换把人脸图像分解成四个子块频带区域, 并对三个高频子块进行图像融合, 然后对低频子块和融合图像进行二维非负矩阵分解以提取特征, 进而对特征数据进行加权处理。ORL和YALE人脸数据库中的识别实验表明, 与PCA、SVD、NMF以及2DDWT NMF算法相比, 新融合算法能有效缩短训练时间和提高识别率。

PubFig 数据集分为两部分： 开发集包含60 个人的图像。开发算法时应使用此数据集，以避免在评估集上过度拟合。此列表和评估集之间没有重叠，此集合与LFW数据集中的人之间也没有重叠。 评估集包含其余140 个人的图像。这是您可以在其上评估算法以查看其性能的数据集。 详细内容请访问该网站：https://www.cs.columbia.edu/CAVE/databases/pubfig/download/

介绍了便携式的人脸识别系统，采用DSP控制，电路简单，可靠性高，应用灵活，是人脸识别新的发展途径之一。

人脸识别特征构建，内含数据集以及代码实例可以直接运行

支持多个平台，Unity Store标价60美金，找到个资源共享给大家，希望对大家能有所帮助，下载后用Unity打开即可，想导入其他工程就打包。

从目的上可以将图像处理分为两类，分别是图像识别技术和图像处理技术。 针对图像处理技术，可以是旋转、亮度、对比度、饱和度、RGB调节、调节图像尺寸等属性方面的处理技术和添加文字、图像增强、弱化、水印、特效、镂空等处理方法。甚至为了达到更精微的处理效果，一些软件还使用了图层。 缺陷检测识别 图像的噪声

基于matlab的人脸考勤系统。人脸定位，分割，特征提取，识别，记录考勤信息，带GUI

第六章 朴素贝叶斯分类 6.1 朴素贝叶斯分类数学基础 1.贝叶斯定理 假设对于某个数据集，随机变量 C 表示样本为 C 类的概率，F1 表示测试样本某特征出现的概率，套 用基本贝叶斯公式，则如下所示： 上式表示对于某个样本，特征 F1 出现时，该样本被分为 C 类的条件概率。 对于该公式，需要熟知的概念： 先验概率（Prior）：P(C)是 C 的先验概率，可以从已有的训练集中计算分为 C 类的样本占所有样本的 比重得出。 证据（Evidence）：即上式 P(F1)，表示对于某测试样本，特征 F1 出现的概率。同样可以从训练集中 F1 特征对应样本所占总样本的比例得出。 似然（likelihood）：即上式 P(F1|C)，表示如果知道一个样本分为 C 类，那么他的特征为 F1 的概率是 多少 对于多特征而言： 贝叶斯定理是基于假设的先验概率给定假设下观察到不同数据的概率，提供了一种计算后验概率的方 法 6.2 朴素贝叶斯分类 1.思想基础 对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项 属于哪个类别。 2.假设条件 1）特征之间相互独立 2）每个特征同等重要 3.朴素的概念