Advertisement

SeetaFace提供了一个开源的人脸识别技术。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
SeetaFace人脸识别引擎涵盖了构建一个完整、自动化的人脸识别系统的关键组成部分，具体包括：人脸检测模块（SeetaFace Detection）、面部特征点定位模块（SeetaFace Alignment）和人脸特征提取与比对模块（SeetaFace Identification）。该开源的SeetaFace人脸识别引擎是由中科院计算所山世光研究员领导的人脸识别研究团队精心开发。其代码采用C++语言进行实现，并且完全不依赖于任何外部的第三方库函数，遵循BSD-2开源协议，因此可以免费供学术界以及工业界的使用和进一步研究。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • SeetaFace开源的人脸识别技术
    优质
    SeetaFace是由国内团队研发的一款高性能、轻量级的人脸识别引擎，提供人脸检测、特征点定位和人脸识别等功能，广泛应用于各种移动设备和服务器端场景。 SeetaFace人脸识别引擎包含了搭建全自动人脸识别系统所需的三个核心模块：人脸检测模块（SeetaFace Detection）、面部特征点定位模块（SeetaFace Alignment）以及人脸特征提取与比对模块（SeetaFace Identification）。该开源项目是由中科院计算所山世光研究员带领的人脸识别研究组研发的。代码使用C++编写，不依赖任何第三方库函数，并采用BSD-2开源协议，可供学术界和工业界免费使用。
     
  • CompreFace：Exadel提供的免费开源人脸识别工具
    优质
    CompreFace是由Exadel提供的一款免费且开源的人脸识别工具，旨在为企业和个人开发者简化面部识别和分析任务。 CompreFace是一项免费的人脸识别服务，易于集成到任何系统中，即使是没有机器学习背景的开发者也能轻松使用。 概述： CompreFace是一个基于Docker的应用程序，用于人脸识别，可以作为独立服务器运行或部署在云环境中，并且无需专业的机器学习知识即可设置和操作。该应用采用深度神经网络技术进行面部识别，提供了一个简便易用的REST API接口来管理和训练人脸集合（Face Collection）。此外，CompreFace还具备一个角色管理系统，允许用户控制谁可以访问特定的人脸数据集。每个用户都可以创建自己的模型，并在不同的数据子集中对其进行操作和测试。
     
  • SeetaFace Windows人脸识别演示版
    优质
    SeetaFace Windows人脸识别演示版是一款专为Windows系统设计的人脸识别软件演示版本。它提供便捷高效的人脸检测、跟踪和识别功能，适用于个人测试与学习研究。 已配置的可运行的人脸识别程序如下：输入1加载SeetaFaceFaceRecognitionimages人脸数据；输入2打开摄像头按q拍照进行对比。
     
  • SeetaFace Android人脸识别优化源码开放-附件资源
    优质
    这段简介可以描述为：“SeetaFace Android人脸识别优化源码”提供了一套针对Android平台的人脸识别技术代码库。此项目包含了多项功能和算法，以实现高效、准确的人脸检测与识别，并且现在已开源共享给广大开发者使用。 SeetaFace人脸识别Android优化源码开放。
     
  • ONNX开源模型的InsightFace人脸识别技术
    优质
    本文介绍了基于ONNX框架下的InsightFace人脸识别技术，探讨了其在精度和性能上的优势及其应用前景。 InsightFace是一个开源的人脸识别模型项目，提供ONNX格式的模型文件。该项目在人脸识别领域具有较高的影响力和技术价值。
     
  • Facenet人脸识别技术
    优质
    Facenet是一种先进的深度学习算法，专为人脸识别设计。它通过提取面部图像中的高级特征，实现高精度的人脸识别与验证，在多个公开数据集上达到领先水平。 基于TensorFlow和FaceNet的完整项目可以通过运行mytest1.py来实现人脸识别功能。
     
  • LDA人脸识别技术
    优质
    简介：LDA（线性判别分析）人脸识别技术是一种高效的模式识别方法，通过降低特征维度并最大化类间差异来实现精准的人脸识别与验证。 在ORL人脸库上实现基于线性判别分析（Linear Discriminant Analysis, LDA）的人脸识别算法。
     
  • PCA人脸识别技术
    优质
    PCA（主成分分析）人脸识别技术是一种利用统计学习方法提取人脸图像关键特征的算法，广泛应用于模式识别和计算机视觉领域。 PCA（主成分分析）的关键算法原理在于通过线性变换将原始数据映射到一个新的坐标系统中，在这个新坐标系下，数据的方差最大化，并且各个维度之间相互独立。这样可以有效地降低数据集的维数同时保留尽可能多的信息。 设计流程主要包括以下几个步骤： 1. 数据标准化：为了确保每个特征对主成分分析结果的影响程度相同，需要先进行数据标准化处理。 2. 计算协方差矩阵：根据标准后的样本值计算其协方差矩阵，该矩阵描述了变量间的相关性以及它们各自的标准偏差信息。 3. 求解特征向量和特征值：对所得到的协方差矩阵执行特征分解操作以获得相应的特征向量与对应的特征值。这些特征值得大小反映了各个主成分所能解释的数据变化比例，而其相对应的特征向量则表示了从原空间到新空间变换的方向。 4. 确定降维后的维度：根据需要选择前k个最大的特征值所对应的特征向量作为新的坐标轴方向，并将原始数据投影至该子空间内以实现降维的目的。 理论上，PCA是一种常用的线性降维技术，在模式识别、机器学习等领域有着广泛的应用。它不仅可以帮助我们发现隐藏在大量变量中的潜在结构，还能有效减少计算复杂度并提高模型性能。
     
  • 关于SeetaFace的Qt客户端人脸识别开发文档
    优质
    本开发文档旨在指导开发者如何使用基于Qt框架的SeetaFace进行人脸检测与识别。内容涵盖安装、配置及API详解等步骤。 基于SeetaFace开源算法的Qt客户端工程开发编译文档介绍了OpenCV、VS2015及Qt的安装步骤，并简要概述了该算法的相关内容。最后部分详细解释了工程目录结构。