另外本项目适合为妆容迁移等脸部任务提供脸部各个部位的辅助信息，作为一个轮子是很好的。

0. 引言　　利用 Python 开发，借助 Dlib 库进行人脸检测 / face detection 和剪切；　　1.crop_faces_show.py:　　　　将检测到的人脸剪切下来，依次排序平铺显示在新的图像上；　　　　实现的效果如 图1 所示，将 图1 原图中的 6 张人脸检测出来，然后剪切下来，在图像窗口中依次输出显示人脸；　　2.crop_faces_save.py:　　　　将检测到的人脸存储为单个人脸图像；　　图 1 原图 和crop_...

论文下载地址：https://openreview.net/pdf?id=rJeB36NKvB发表时间：2020会议名称：ICLR作者：Md Amirul Islam、Sen Jia、Neil D. B. Bruce 论文摘要 相对于全连接网络，卷积网络依靠有限空间内的局部连接，大幅度提高了图像处理的效率。局部连接似乎暗示了卷积过滤器虽然感知当前的内容，却不知道当前所处的位置。绝对位置信息毫无疑问是有用的，有理由认为如果可以做到，卷积网络必然隐式地学习到了编码位置信息。在这篇.

PIL.Image转换成OpenCV格式：[python] view plain copy print?import cv2  from PIL import Image  import numpy    image = Image.open("plane.jpg")  image.show()  img = cv2.

在一篇已经被ICCV 2017接收的论文中，诺丁汉大学的研究人员提出了他们号称是迄今最大3D人脸对齐数据集，以及精准实现2D、3D以及2D到3D人脸对齐的网络。研究人员用《我们距离解决2D&3D人脸对齐问题还有多远》为题，首次调查了在所有现有2D人脸对齐数据集和新引入的大型3D数据集上，距离达到接近饱和性能（saturating performance）还有多远。ImageNet百万级精准

脸识别是计算机视觉研究领域的一个热点。而人脸识别包含了诸多步骤，其实现技术流程如下图所示(摘自http://www.techshino.com/upfiles/images/%E4%BA%BA%E8%84%B8%E8%AF%86%E5%88%AB%E6%8A%80%E6%9C%AF%E6%B5%81%E7%A8%8B(2).png)：https://github.com/AITTSMD/M

最近要做一个人脸识别的东西，可数据库的人脸图像还没有做对齐处理。所以需要自己做人脸对齐预处理。网上查了，发现已经有人做过了类似的脚本。直接拿过来用了，原地址在这：https://github.com/bytefish/facerec/blob/master/py/apps/scripts/crop_face.py   自己为了以后更改，加了一些注释。[python]

首先通过 1000 人 2 亿张结构化数据对人脸识别进行多标签多任务深度学习，深度模型能够很好的学习到人脸的光线、角度、表情、遮挡等对人脸识别的影响，得到人脸识别基础模型。在基础模型的基础上，云从科技研究院通过迁移学习，加入 1000 万人，10 亿张人脸这个量级的具有人脸ID 信息的训练数据进行深度学习模型参数的迁移学习，算法模型在已经基本具备怎么识别人脸的基础上进一步加大网

引自：http://blog.youkuaiyun.com/trent1985/article/details/70226779引自：http://blog.youkuaiyun.com/jsgaobiao/article/details/51439869对于人像美妆算法，现在的美妆相机、玩美彩妆之类的app已经做的比较成熟了，但是具体算法，基本网络上是杳无可查，今天本人介绍一种自动的人像美妆算法----

Image InpaintingGoalIn this chapter,We will learn how to remove small noises, strokes etc in old photographs by a method called inpaintingWe will see inpainting functionalities in OpenCV

人体运动检测是指在输入视频图像中却东运动人体的位置、尺度大小和姿态的过程、人体跟踪是指在视频图像序列中确定各帧间的人体彼此对应关系的过程。 可以采用 低通滤波去噪、背景差分、形态学图像处理、区域连通性分析等一系列的处理方法，将运动物体从视频图像中提取出来，然后采用人体高宽及其比值的特征进行人体识别。 检测到人体后，可以采用Camshift算法和卡尔曼滤波算法进行人体的跟踪。...

1.准备工作，按博主的环境为准Python 3.5Opencv 3Tensorflow 1.3.1Keras 2cudnn和CUDA，如果你的GPU足够厉害并且支持的话，可以选择安装那就先安装起来，有兴趣的朋友给我个暗示，好让我有动力写下去，想实现整套的功能还是有点复杂的第一部分，数据采集，及视频内人物脸import cv2save_path = 'you...

目录：meta learning的出现1.meta learning的出现Meta Learning，元学习，也叫 Learning to Learn（学会学习）。是继Reinforcement Learning（增强学习）之后又一个重要的研究分支，它的发展历程和动因可以归纳如下图：举个例子，把棋盘变大之后AlphaGo还能行吗？目前的方法显然是不行的，AlphaGo会立马变成傻...

上次做完python实现人脸识别抓取人脸并做成熊猫头表情包之后就放了一下，因为还要好好学习Springboot毕竟这才是找工作的硬实力。但是优化这个代码心里面一直很想，借用《clean code》的话来说就是“Bad code tempts the mess to grow! ”所以优化是必要的。这里我优化了两个地方，第一个是掩膜的生成，第二个是表情位置的自动获取，同时也拆分一部分代码，和修改...

解决两个问题：（1）RuntimeError: cuda runtime error (30) : unknown error at /pytorch/aten/src/THC/THCGeneral.cpp:70（2）NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure...

NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver重启服务器之后就出现连接不上NVIDIA驱动的情况。这个时候tensorflow还是可以运行的，但只是在用cpu跑。安装gpu版的TensorFlow时，也显示已安装。nvidia-smiNVIDIA-SMI has failed bec...

应公司要求，利用谷歌最近开源的Google object_detection API对公司收集的数据集进行训练，并检测训练效果。通过一两天的研究以及维持四天的训练（GTX 1060  6GB），终于成功的在自己数据集上训练的任务。测试效果感觉还行，虽没有达到谷歌官方公布的数据集上跑的识别效果，但是识别率也还过得去，这主要是因为数据集没有官方做的那么规范。下图为本人挑选的一张识别率较好的图片（识别哈

TensorFlow内包含了一个强大的物体检测API，我们可以利用这API来训练自己的数据集实现特殊的目标检测。Dat Tran就分享了自己实现可爱的浣熊检测器的经历，在文章中作者把检测器的训练流程进行了梳理，我们可以举一反三来训练其他在工作项目中需要的检测器。下面我们一起来学习一下吧！为什么要做这件事？方便面君不仅可爱，在国外很普遍的与人们平静地生活在一起。处于对

面部特征点定位任务即根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，如下图所示。这项技术的应用很广泛，比如自动人脸识别，表情识别以及人脸动画自动合成等。由于不同的姿态、表情、光照以及遮挡等因素的影响，准确地定位出各个关键特征点看似很困难。我们简单地分析一下这个问题，不难发现这个任务其实可以拆分出三个子问题：

原文地址：http://blog.youkuaiyun.com/hjimce/article/details/49955149作者：hjimce一、相关理论本篇博文主要讲解2013年CVPR的一篇利用深度学习做人脸特征点定位的经典paper：《Deep Convolutional Network Cascade for Facial Point Detection》，论文的主页为：

原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50098483作者：hjimce一、相关理论     本篇博文主要讲解2015年CVPR的一篇关于图像相似度计算的文章：《Learning to Compare Image Patches via Convolutional Neural Networks》，本篇文章对经典的

基于改进Coarse-to-fine CNN网络的人脸特征点定位原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50099115作者：hjimce一、相关理论    本篇博文主要讲解2013年face++的大牛们提出粗到精人脸特征点定位算法paper：《Extensive Facial Landmark Loca

一. 环境准备       本文介绍如何通过 Mask-RCNN 来实现行人检测，假设你已经对 SSD、YOLO、Faster RCNN 等框架有所了解。1. 准备 TensorFlow 环境     Tensorflow (>= 1.0.0)     Numpy2. Gtihub 代码     代码下载：【Github】3. 下载CoC

一. 提出背景       目标检测在图像处理领域有着非常大的占比，过去两年，深度学习在Detection的持续发力，为这个领域带来了变革式的发展：一方面，从 RCNN 到 Fast RCNN，再到 Faster RCNN，不断刷新 mAP；另一方面，SSD、YOLO 则是将性能提高到一个非常高的帧率。       对于视频来讲，相邻帧目标之间存在 明显的上下文关系，这种关系在

一. 图像语义分割       传统的图像分割方法主要包括以下几种：1）基于边缘检测2）基于阈值分割      比如直方图，颜色，灰度等3）水平集方法        这里我们要说的是语义分割，什么是语义分割呢？先来看张图：               将目标按照其分类进行像素级的区分，比如区分上图的 摩托车 和 骑手，这就

一. 问题的提出       Person Re-ID 全称是 Person Re-Identification，又称为 行人重检测 or 行人再识别，直观上可以通过两种思路进行比对，一种是 通过 静态图像（still-image）进行特征比对，另一种是通过视频的时序特征（temporal）进行 Video Re-Id。       不管是采用 图像特征比对的方法 还是 结合时序特

一. CNN特征提取       通过上一篇文章的学习，我们已经知道，我们训练的目的在于寻找一种特征映射方法，使得映射后的特征 “类内距离最小，类间距离最大”，这种特征映射 可以看作是 空间投影，选择一组基，得到基于这组基的特征变换，与 PCA 有点像。       这一篇我们讲的就是基于 CNN的特征提取，特征提取过程也就是训练过程，训练结果就是 CNN 的参数。   

贴一个TensorFlow 2017开发者大会的Mobile专题演讲移动和嵌入式TensorFlow这里面有重点讲到本文介绍的三个例子，以及其他的移动和嵌入式方面的TF相关问题，干货很多2017/01/17 更新今天上 Github，发现 Tensorflow 的 Android demo又更新了，除了基本的修改以外，又增加了一个图像风格迁移的安卓demo，而且

实现目标：机器人检测到有人走过来，迎上去并开始追踪。 追踪算法使用kcf算法，关于kcf追踪的ros库在github地址https://github.com/TianyeAlex/tracker_kcf_ros，kcf算法是目前追踪算法中比较好的，程序跑起来后效果也是不错的。我能力有限，在这里不作介绍。有兴趣的可以去研究一下。这里主要讲一下在次基础上添加行人检测，做到自动追踪。 训练库地址

相关文章：开源|2017 CVPR（Oral Paper）：多目标实时体态估测 项目开源主要内容介绍：OpenPose是一个利用OpenCV和Caffe并以C++写成的开源库，用来实现多线程的多人关键点实时检测，作者包括Gines Hidalgo,Zhe Cao,Tomas Simon,Shih-En Wei,Hanbyul Joo以及Yaser Sheik

deep ocr估计很多开发员使用tesseract做中文识别，但是结果不是一般的差，譬如下面的图片$ tesseract -l chi_sim test_data.png out_test_data看到恨多公司在招腭大改癫和机器字习胸人 v 我有3个建议 (T) 忧T ' 2个上t较靠遭胸人就譬了 v不是越多越好 (2) 这T '2个人要能给大蒙上踝'倩邂知L目 (3

前言开始本文内容之前，我们先来看一下上边左侧的这张图，从图中你看到了什么物体？他们在什么位置？这还不简单，图中有一个猫和一个人，具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置。其实刚刚的这个过程就是目标检测，目标检测就是“给定一张图像或者视频帧，找出其中所有目标的位置，并给出每个目标的具体类别”。目标检测对于人来说是再简单不过的任务，但是对于计算机

普通的深度学习监督算法主要是用来做分类，如图1(1)所示，分类的目标是要识别出图中所示是一只猫。而在ILSVRC（ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中，还包括目标定位和目标检测等任务。其中目标定位是不仅仅要识别出来是什么物体（即分类），而且还要预测物体的位置，位置一般用边框（bounding box）标记，如图1(

（1）Speed/accuracy trade-offs for modern convolutional object detectors其主要考虑三种检测器（Faster RCNN,R-FCN,SSD）作为元结构，三种CNN网络（VGG，Inception，ResNet）作为特征提取器，变化其他参数如图像分辨率、proposals数量等，研究目标检测系统准确率与速度的权衡关系。

ICCV 2013的人脸特征点检评测及Workshop 网址：http://ibug.doc.ic.ac.uk/resources，可以找到很多facial landmark detection的state-of-the-art的代码（可执行）及文档资料。Datasets300 Faces in-the-Wild Challenge (300-W), ICCV 2013MMI