基于CNN卷积神经网络，对Olivetti人脸数据集，实现了小型人脸识别项目，准确率达到85%。 # train_data: 320张，57*47， train_label:320个，1*40 # valid_data: 40张，57*47 ， valid_label:40个，1*40 # test_data: 40张，57*47 ， test_label:40个，1*40

利用深度学习模型CNN对图像进行分类与识别，例如人脸识别，手写字符识别等。

keras实现简单CNN人脸关键点检测-附件资源

基于CNN人脸识别模型的大学生课堂行为分析研究.pdf

主要介绍了使用卷积神经网络（CNN）做人脸识别的示例代码，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

# 人脸检测项目 # 输入：1张rgb图片， 输出：rgb图片中，框出人脸位置 # 第1部分： 处理数据集。 faces人脸集：1000张，100*100，标签(1, 0); nonfaces非人脸集：1000张，100*100，标签(0,1) # 第2部分： 训练CNN，实现2分类。 输入100*100大小图片，判断是否人脸 # 第3部分： 窗口滑动。 75*75，100*100，125*125 三种窗口 # 第4部分： 非极大性抑制，处理重叠窗口，框出人脸位置

本项目着手实现了一个基于卷积神经网络的人脸识别签到系统，该系统能够进行人脸的采集，并将不同人脸对应的学号（工号）姓名信息存储于数据库，利用CNN卷积神经网络对人脸进行训练；人脸签到模块能实时识别当前人脸，识别成功会语音播报某学号(工号)某同学(员工)签到成功，并在系统界面输出显示签到信息同时自动更改当前对象的签到状态；缺勤模块可以查看当前未签到成员信息，可以重置所有成员的签到状态。 项目特点：1、基于神经网络，系统具有学习能力，理论上给它喂的数据越多，它就可以识别越多的人而且准确度会不断提高。 2、利用多线程将ui界面与功能代码分开，在显示界面的同时还能进行后台的运算，防止卡顿提升使用体验，因此对计算机配置要求不高。 3、某些操作有语音提示功能，使用时方便友好。

本项目着手实现了一个基于卷积神经网络的人脸识别签到系统，该系统能够进行人脸的采集，并将不同人脸对应的学号（工号）姓名信息存储于数据库，利用CNN卷积神经网络对人脸进行训练；人脸签到模块能实时识别当前人脸，识别成功会语音播报某学号(工号)某同学(员工)签到成功，并在系统界面输出显示签到信息同时自动更改当前对象的签到状态；缺勤模块可以查看当前未签到成员信息，可以重置所有成员的签到状态。 项目特点：1、基于神经网络，系统具有学习能力，理论上给它喂的数据越多，它就可以识别越多的人而且准确度会不断提高。 2、利用多线程将ui界面与功能代码分开，在显示界面的同时还能进行后台的运算，防止卡顿提升使用体验，

《DeepLearning tutorial》的代码，含详细流程及代码实现，将CNN用于人脸识别。

cnn人脸检测与人脸对齐 AI人脸图像处理 基础技术 这一步骤主要通过人脸检测+人脸对齐来获得N个特征点 动图人脸识别