Wav2lip预训练模型，包含人脸检测模型、wav2lip生成模型、wav2lip_gan生成模型、wav2lip判别模型等，使用此模型通过音频驱动视频，生成最终的嘴型与语音的匹配

RAF-DB数据集太大，分为上下两部分上传！

情绪识别：通过面部表情和语音进行双峰情绪识别

更多项目《面部表情识别》系列文章请参考： 1.面部表情识别1：表情识别数据集(含下载链接):https://blog.csdn.net/guyuealian/article/details/129428657 2.面部表情识别2：Pytorch实现表情识别(含表情识别数据集和训练代码)：https://blog.csdn.net/guyuealian/article/details/129505205 3.面部表情识别3：Android实现表情识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129467015 4.面部表情识别4：C++实现表情识别(含源码，可实时检测)：https://blog.csdn.net/guyuealian/article/details/129467023

本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法 本科毕业设计：针对Deepfake假脸视频面部细节特征的提取算法

Wav2Lip-HD预训练模型第一个包，包含人脸检测模型，语音驱动面部模型等，用于数字人语音驱动面部及图像超分辨率

总览 注意：这是一个跟踪库，不是独立的头像伪造程序。 我也在开发的应用程序，该应用程序目前处于公开测试阶段。 该项目实现了基于MobileNetV3的面部标志检测模型。 由于Windows上的Pytorch 1.3 CPU推断速度非常低，因此该模型已转换为ONNX格式。 使用它可以以30-60 fps的速度运行，跟踪一张脸。 有四种模型，以不同的速度跟踪质量折衷。 如果有人好奇，这个名字就是在公海和看到面Kong的傻双关语。 没有更深层的意义。 您可以在找到最新的示例视频，其中显示了在不同噪声和光照水平下默认跟踪模型的性能。 用法 可以在找到基于VRM的头像动画的Unity项目示例。

驾驶疲劳是影响交通安全的重要因素之一，疲劳驾驶预警系统的研究是十分有必要的。针对面部特征精确定位及疲劳驾驶检测问题，提出眼、鼻和嘴部三组卷积值加权求和的算法，根据三者状态信息对实验结果影响程度设置不同的权重系数，构造疲劳监测模型。首先对拍摄的驾驶员图片进行人脸检测，获得面部图像，按比例对合成的卷积模板划分三部分器官区域，结合模板卷积的相关理论，采用多目标优化技术，然后对面部器官状态进行疲劳判断，并得到相应的判定结果。实验表明，综合眼、鼻和嘴部信息模板不同的权重系数，突出了重要器官区域的影响，提高了疲劳检测准确性和鲁棒性，为最终构建一种实时的、可靠的非接触式驾驶员监测系统提供了理论基础。

人类面部表情数据集（12万张表情照片） 一共有7类人类面积表情，分别是：悲伤、高兴、害怕、惊讶、平静、生气、厌恶。一个文件夹一类。表情识别模型训练的很好数据。

我们将看到如何使用dlib从图像中提取人脸嵌入并将其可视化。 在python笔记本中运行代码以生成嵌入。 #Run下面的命令以可视化tensboard。 将logdir路径替换为您的自定义路径 tensorboard --logdir = /用户/ anshu / meet-up / internship / recognition / face-embeddings / embeddings-logs / --port = 6006