用于计算Lipschitz指数，即李普希兹指数

Self-Correction-Human-Parsing SCHP models exp-schp-201908261155-lip.pth

lip_reading_demo_net lip_reading_demo_net

唇语识别数据

在疯狂的实验中唇读 该存储库包含我在Keras中使用深度学习进行唇读的实验。 我训练并测试。 进程-lrw / 将LRW数据集中的视频转换为以下代码的代码：-与单词有关的帧-这些帧的嘴巴区域-音频 目录中的README文件中提供了说明。 形状预测器/ 放置process-lrw和head-pose所需的“ shape_predictor_68_face_landmarks.dat”文件的目录 图像检索/ 代码和文件---将lipreader视为图像检索系统 头姿势/ 代码和文件---计算LRW数据集中所有帧的头部姿势（使用process-lrw提取） 头部姿势是使用 （我的叉子）确定的。 目录中的README文件中提供了说明。

此为lip reading in the wild数据集的申请表

唇部检测

唇语识别系统使用机器视觉技术，从图像中连续识别出人脸，判断其中正在说话的人，提取此人连续的口型变化特征，随即将连续变化的特征输入到唇语识别模型中，识别出讲话人口型对应的发音，随后根据识别出的发音，计算出可能性最大的自然语言语句。

免责声明 这是的经过修改的存储库。 请参阅原始存储库以获取更多详细信息。 联合身体分析和姿势估计网络（JPPNet） 梁晓丹，龚科，沉和林亮，“观察人：联合的身体分析和姿势估计网络和一个新的基准”，T- 介绍 JPPNet是人类解析和姿态估计建立在之上的国家的艺术深度学习方法 。 这个新颖的联合人类解析和姿态估计网络在端到端框架中结合了多尺度特征连接和迭代位置细化，以研究有效的上下文建模，然后实现彼此互利的解析和姿态任务。 这个统一的框架为人类分析和姿势估计任务实现了最先进的性能。 此发行版为T-PAMI 2018接受的中报告的关键模型成分提供了一个公开可用的实现。我们通过探索一种新颖的

一种对图像的处理的新算法，边缘检测是图像处理和计算机视觉领域的一个基本问题