Casia 人脸图像数据库5.0(或 casia-facev5)包含2500张500个对象的彩色人脸图像。用罗技 USB 摄像机一次性拍摄到了 casia-facev5的脸部图像。Casia-facev5的志愿者包括研究生、工人、服务员等，所有人脸图像都是16位彩色 bmp 文件，图像分辨率为640 * 480。典型的班内变化包括光照、姿势、表情、眼镜、成像距离等。

人脸检测器（移动版） 该应用程序是用React Native编写的面部检测应用程序的移动版本

人脸_面具_检测_CNN 基于计算机视觉和深度学习的OpenCV和Pytorch面罩检测系统 数据集 下载数据集： : 训练 训练ResNet50模型：在train_resnet50.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存训练后的模型的位置）。执行train_resnet50.ipynb 训练MobileNetV2模型：在train_mobilenetv2.ipynb中，选择data_path（安装数据集的位置）和model_dir（应保存经过训练的模型的位置）。执行train_mobilenetv2.ipynb 测验 打开test.ipynb 在导入中：从model_resnet50导入模型中选择以测试ResNet50模型，从model_mobilenetv2导入模型中选择以测试MobileNetV2模型。 选择一个model_p

3-Soft Face.zip3-Soft Face.zip3-Soft Face.zip

FaceDetectAndRecogize detect face with mtcnn and aligment and embedder with insightface the model test on dataset lfw accuracy reached 99.5% dataset sia-asia-500 lfw accuracy reached 99.6% demo 中已经添加： 1.人脸录入 2.人脸验证（解锁）功能 已经完成工作： 1.人脸检测 2.人脸对齐 3.人脸识别 待完成: 活体检测 防打印照片以及视频回放欺诈

CMU_PIE_Face数据库，在网上很难找到了

Face Mask Detection-口罩检测 基于计算机视觉和深度学习的口罩检测系统 使用 OpenCV 和 Tensorflow/Keras。使用 OpenCV、Keras/TensorFlow 构建的面罩检测系统，使用深​​度学习和计算机视觉概念来检测静态图像和实时视频流中的面罩。在持续的 COVID-19 大流行中，没有有效的口罩检测应用程序，现在对交通工具、人口稠密地区、住宅区、大型制造商和其他企业的安全需求很高。'with_mask' 图像的大型数据集的缺乏使这项任务变得繁琐和具有挑战性。我们的口罩检测器不使用任何变形蒙版图像数据集，并且模型是准确的。由于使用 MobileNetV2 架构，计算效率高， 特征 我们的口罩检测器不使用任何变形蒙版图像数据集，并且模型是准确的 由于 Covid-19 的爆发，该系统可用于需要出于安全目的进行面罩检测的实时应用 该项目可与嵌入式系统集成，应用于机场、火车站、办公室、学校和公共场所，以确保遵循公共安全准则 它的计算效率很高，因此更容易将模型部署到嵌入式系统（Raspberry Pi、Google Coral 等） 该数据集包含

Class Attendance System based on Face Recognition 基于人脸识别的课堂考勤系统 Contributor : datamonday Github Repo : Initial Blog : Project Post : 2019.04 2021.5.9 Updata new version named Face Recognition Algorithms Test System is available： 1. 项目简介:cat_face:‍:motorcycle: :chequered_flag:本项目使用Python3.6编写，Qt Designer（QT5）设计主界面，PyQt5库编写控件的功能，使用开源 OpenFace人脸识别算法进行人脸识别，使用眨眼检测来实现活体识别，使用OpenCV3实现实时人脸识别。:cat_face:‍:bust_in_silhouette:同时，将班级学生信息，各班级学生人数、考勤信息录入到MySQL数据库中，方便集中统一

Tiny face小人脸测试所用的预训练模型，res101网络框架的模型文件

投影投影代码matlab LDA-人脸识别 程序 编程步骤： 图像的初始大小是一个大小为 128x128x3 的矩阵，对应于图像的 rgb 强度值。 对于所有计算，使用图像的灰度值，它将每个图像的维度减少到 128x128x1 矩阵。 由于在 128x128 矩阵上执行矩阵计算在平均配置的 PC 上很耗时，因此我调整了图像大小并为 40x40 矩阵、64x64 矩阵和 96x96 矩阵执行了计算。 然后将每个图像表示为向量形式，重塑原始图像矩阵执行此任务。 现在，每个图像都由一个 1600x1 的向量表示（对于 40x40 大小的图像）。 我们需要每个类的均值来计算类内散布矩阵。 一旦为该特定类计算了平均值，我们通过对集合中的每个 x 求和 Pr(C) (xm) (xm)' 来计算类内散布。 （x = 训练集中的每个图像，m = 图像的平均值） 为了计算类内散布的总数，我们将所有类的所有类内散布矩阵相加。 现在要计算类间散布，我们需要所有类的平均值和 300 个类的总平均值。 之间的散布矩阵由每个类别的求和 Pr(C)*(mm )*(mm )' 形成（m = 该类别的平均值，m` =