基于mtcnn+facenet网络实现简单人脸检测识别系统python源码+训练好的模型文件+项目说明.7z 这两个工程都是keras模型, 所提供的模型文件都只有权重没有网络结构, 我利用作者提供的网络定义和权重文件重新生成了带有网络结构的权重文件. 比如原先只有权重的模型文件pnet.h5, 生成含网络结构和权重的模型文件PNET.h5. 接着用keras2onnx工具把它(PNET.h5)转换成了onnx模型pnet.onnx, 其他胶水部分的逻辑没什么变化. 具体的转换代码请参考keras_onnx.py文件. 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习cv图像识别模式识别方向学习者。 也可作为课程设计、期末大作业。包含：项目源码、训练好的模型、项目操作说明等，该项目可直接作为毕设使用。 也可以用来学习、参考、借鉴。如果基础不错，在此代码上做修改，训练其他模型。

基于MTCNN和Facenet的人脸识别

人脸关键点检测，检测到人脸后对人脸关键点进行人脸对齐(转换)，再将人脸裁剪出，输入神经网络中，最后输出人脸嵌入特征(超球面欧式空间)，该特征可用于聚类、相似性检测、分类等。 本次使用国外已有模型，本人没有做过训练，因为此人脸检测，按道理是没必要训练了。

Deepface 是一个用于 python 的轻量级人脸识别和人脸属性分析（年龄、性别、情感和种族）框架。它是一个混合人脸识别框架，包含模型：VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID、ArcFace和。DlibSFace 该文件来自： https://github.com/serengil/deepface_models/releases/download/v1.0/facenet_weights.h5

facenet人脸比对算法项目，能够与数据库中的人脸比对，然后识别出人脸的信息，速度极快，可用作毕业设计和实际项目，使用的是纯python语言，下载就能运行。

Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 Environment 文件下载 Download 使用方法 Usage 效果 Performance 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5

检测：Harr小波提取特征 + AdaBoost级联分类器 Harr小波：左右，上下，左中右，上中下，对角 ... 手动构建特征，特征数量很多，动辄几十万 集成学习：弱分类器构建强分类器 性能差，泛化能力弱 识别：EigenFaceRecognizer 特征脸识别算法 矩阵特征分解 PCA降维，计算距离，识别身份 性能差，泛化能力弱 检测：MTCNN 多任务卷积网络 三个简单的卷积网络的级联 置信度，外框，关键点 性能好，准确率高 .... 识别：FaceNet 人脸编码 特征提取器（embedding） 将人脸映射到128维空间，编码为一个向量 使用KNN、KMeans思想进行人脸距离度量、检索和聚类 性能好，准确率高 ...

Keras-OpenFace Keras-OpenFace是一个将从其原始Torch实现转换为版本的项目 如果您只对使用预先训练的模型感兴趣 加载Keras OpenFace模型（精度：0.938 + -0.013） from keras . models import load_model from keras . utils import CustomObjectScope import tensorflow as tf with CustomObjectScope ({ 'tf' : tf }): model = load_model ( './model/nn4.small2.v1.h5' ) 运行整个转换过程，并查看Kears-Openface-convertion.ipynb $ jupyter notebook CoreML-OpenFace 在Model / o

FaceNet paper 论文解析,网页版可查看博客：https://blog.csdn.net/chzylucky/article/details/79716272

Google提出的开源人脸识别算法FaceNet的预训练模型，FaceNet的官方的预训练模型，20180402-114759 NOTE: If you use any of the models, please do not forget to give proper credit to those providing the training dataset as well.