Advertisement

CenterFace：高效人脸检测

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

简介：
CenterFace是一种高效的人脸检测算法，旨在实现在各种图像和视频中准确、快速地定位并识别出人脸。该模型结构精简且性能卓越，在多个数据集上取得了优异的表现。 中心脸介绍 CenterFace（大小为7.3MB）是一种适用于边缘设备的实用无锚人脸检测与对齐方法。 最近更新日期：2019年9月13日，CenterFace发布。 环境要求： - OpenCV 4.1.0 - Python版本需在3.6及以上 准确性： WIDER FACE验证集的结果如下： | 模型版本 | 简易设置 | 中级设置 | 难度集 | | --- | --- | --- | --- | | FaceBox | 0.840 | 0.766 | 0.395 | | FaceBox (3.2×) | 0.798 | 0.802 | 0.715 | | RetinaFace Network| 0.896 | 0.871 | 0.681 | | LFFD-v1 | 0.910 | 0.881 | 0.780 | | LFFD-v2 | 0.837 | 0.835 | 0.729 | | CenterFace | 0.935 | 0.924 | 0.875 | | CenterFace小版 | 0.931 | 0.924 | 0.87 | WIDER FACE测试集的结果如下： | 模型版本 | 简易设置 | 中级设置 | 难度集 | | --- | --- | --- | --- | | CenterFace | 0.839 | - |- | 以上数据展示了CenterFace在不同场景下的性能表现，特别是在难度较高的测试集中表现出色。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • CenterFace：高效人脸检测
    优质
    CenterFace是一种高效的人脸检测算法，旨在实现在各种图像和视频中准确、快速地定位并识别出人脸。该模型结构精简且性能卓越，在多个数据集上取得了优异的表现。 中心脸介绍 CenterFace（大小为7.3MB）是一种适用于边缘设备的实用无锚人脸检测与对齐方法。 最近更新日期：2019年9月13日，CenterFace发布。 环境要求： - OpenCV 4.1.0 - Python版本需在3.6及以上 准确性： WIDER FACE验证集的结果如下： | 模型版本 | 简易设置 | 中级设置 | 难度集 | | --- | --- | --- | --- | | FaceBox | 0.840 | 0.766 | 0.395 | | FaceBox (3.2×) | 0.798 | 0.802 | 0.715 | | RetinaFace Network| 0.896 | 0.871 | 0.681 | | LFFD-v1 | 0.910 | 0.881 | 0.780 | | LFFD-v2 | 0.837 | 0.835 | 0.729 | | CenterFace | 0.935 | 0.924 | 0.875 | | CenterFace小版 | 0.931 | 0.924 | 0.87 | WIDER FACE测试集的结果如下： | 模型版本 | 简易设置 | 中级设置 | 难度集 | | --- | --- | --- | --- | | CenterFace | 0.839 | - |- | 以上数据展示了CenterFace在不同场景下的性能表现，特别是在难度较高的测试集中表现出色。
     
  • Python-高效准确的人脸检测器
    优质
    Python-高效准确的人脸检测器是一款利用Python编程语言开发的强大工具，专门用于识别和定位图像中的人脸。它结合了先进的机器学习算法，确保在各种光照条件和姿态下都能实现高精度的面部特征提取与分析，适用于从安全监控到社交媒体过滤等各种应用场景。 快速精准的人头检测器。
     
  • 一种高效精准的人脸检测算法
    优质
    本文介绍了一种创新的人脸检测算法，通过优化特征提取和分类器设计，在保持低计算成本的同时实现了高精度与高速度的面部识别。该方法在多种标准数据集上表现出色，适用于实时监控、安全认证等多个领域。 这篇最新的论文介绍了一种快速而精确的人脸检测算法，具有最优秀的结构设计，非常适合专业人士参考和应用。
     
  • 高级人脸检测：疲劳监测.zip
    优质
    本项目为一款基于高级人脸检测技术的应用程序，专注于实时监控用户的面部表情和微小动作，以判断使用者是否出现疲劳状态。通过分析眼部闭合时间、头部姿态等关键指标，提供及时提醒，确保用户在驾驶或操作精密仪器时的安全性与效率。 人脸检测高级应用之一是疲劳监测。有关详细内容可以参考文章《基于深度学习的人脸疲劳检测技术研究》。
     
  • 人脸检测、人脸关键点检测及口罩检测.zip
    优质
    本项目提供了一套全面的人脸识别解决方案，包括人脸检测、精准的关键点定位以及是否佩戴口罩的判断功能。适用于多种场景的安全与隐私保护需求。 要运行RetinaFace进行同时的人脸检测、关键点定位及口罩检测，请遵循以下步骤： 1. 对于Linux用户，在rcnn/cython/setup.py文件的第121行添加注释（Windows用户可以跳过这一步）。 2. 进入cython目录并执行命令 `python setup.py build_ext --inplace` 以完成必要的设置。 3. 最后，运行测试脚本 `python test.py`。如果遇到缺少mxnet等库的情况，请使用pip自行安装所需依赖项。 请确保所有必需的软件包都已正确安装，并根据提示进行相应的操作调整。
     
  • 人脸识别-检测人脸.rar
    优质
    本资源提供了一套完整的人脸识别解决方案，包括人脸检测功能。适用于多种应用场景，如安全监控、用户认证等。 SeetaFace包括三个独立的模块：人脸检测、人脸对齐和人脸识别。这三个模块结合使用可以实现完整的人脸识别功能。
     
  • Android Demo：人脸检测与人脸关键点检测及人体检测.zip
    优质
    本资源为Android平台的人脸和人体检测Demo，包含人脸关键点识别功能，适用于开发者学习与应用集成。 人脸检测、人脸关键点检测（包括5个人脸关键点）以及人体检测的Android实现支持多种算法模型。这些模型不仅能够进行单独的人脸或人体检测，还能够同时完成对人脸与行人的识别任务。
     
  • MTCNN人脸检测
    优质
    MTCNN是一种用于人脸识别和定位的深度学习模型，通过多任务协作网络优化，实现精准的人脸检测与对齐。 MTCNN（多任务卷积神经网络）结合了人脸区域检测与面部关键点检测，并基于cascade框架构建。整个系统由PNet、RNet以及ONet三层网络结构组成。 在VS2015开发环境并使用OPENCV3.0及以上版本的情况下，可以直接运行该程序。
     
  • 基于FaceNet和CenterFace的实时人脸识别系统
    优质
    本研究提出了一种结合FaceNet与CenterFace算法的高效实时人脸识别系统，旨在提高识别精度及速度。通过深度学习技术优化面部特征提取，适用于多种实际场景应用需求。 基于FaceNet和CenterFace实现的人脸识别方法如下：首先使用CenterFace进行人脸检测，并获取五个关键点；然后通过仿射变换对齐人脸图像。接下来利用FaceNet提取处理后的图片的特征向量，将其与数据库中的特征向量进行比对（计算它们之间的欧氏距离），输出结果为距离最小的类别。为了防止误识，可以设定一个最大允许的距离阈值。
     
  • FaceDetector 实时人脸检测 检测相机中的人脸
    优质
    FaceDetector是一款实时人脸检测应用，能够精准捕捉并识别摄像头中的面部特征，为用户提供便捷高效的人脸识别解决方案。 最近在研究FaceDetector人脸动态识别，在网上下载了不少的demo，但感觉这些示例把简单的事情复杂化了。因此我决定自己动手编写了一个简单的测试Demo来验证功能，这个Demo只专注于从相机中识别人脸并画框，没有其他多余的代码或设置。