Face in Circle

基于YOLOv5与CNN的人脸情绪识别系统开发 计算机视觉中的目标检测和人脸识别是AI领域的基础技术,其中YOLOv5以其高效的检测速度和精度成为业界标杆。结合卷积神经网络(CNN)的情绪分类能力,可以构建端到端的人脸情绪分析系统。这类技术在智能监控、人机交互和心理分析等场景具有广泛应用价值。本文以YOLOv5-face模型实现人脸检测,配合轻量级CNN架构完成情绪分类,详细介绍了从环境配置、模型训练到系统集成的完整流程。特别针对PyTorch框架下的模型优化和部署方案提供了实用建议,包括多线程处理、模型量化和实时视频流处理等工程实践技巧。 阅读详情

上面的三个圆环有什么特殊吗?有一定抽象能力的人在离屏幕适当距离的时候可以看到以下三张脸(跟看码一样,离得越远越清晰,近视眼超过400度的请摘掉眼镜):



原始创意来自于一个视频,用小钉钉成一个环,然后就可以不停的绕黑线,我只不过用Houdini实现了下,惭愧。

最核心的原理是这样的:在数学上这些线叫“弦”。一条弦可以由过这个弦的一个点,和这条弦的方向矢量来表示,因为有了这俩我们就可以求出交点来了。所以不管要形成什么图案,我们无非是要解答俩问题:在哪里定这个点,穿过这个点的弦的方向如何。

容易想到的是1.点洒在黑的地方 2.弦尽量朝着可以穿过最多黑色的方向

问题1很好解决,scatter直接可以做到,问题2其实也容易,把弦离散化成N个点,把点对应的图片位置的像素采样加起来比较就可以了。

测试后发现如果点也往黑处撒弦也往黑处穿,会导致图像过于黑白分明,摘掉眼镜看时混合的不好,于是把点改成了均匀撒,效果改善很明显。

以下是唯一的代码:

float r = ch('r');
vector p1 = point(1, "P", 0);
vector p2 = @P;
vector a = p2 - p1, b = -p1;
vector a_n = normalize(a);
vector c = dot(normalize(a),b)*a_n - b;
vector delta = sqrt(r*r - dot(c, c))*a_n;
vector intersect0 = c + delta, intersect1 = c - delta;
if (length(intersect0 - intersect1)<ch('min_len'))
    return;

int pts[] = {};
vector l = intersect1 - intersect0;
for(int i=0; i<=chi('segment'); i++) {
    vector p = lerp(intersect0, intersect1, float(i)/chi('segment'));
    append(pts, addpoint(geoself(), p));
}
int prim = addprim(geoself(), "polyline", pts);

上面的代码的作用就是定下俩点后求出和圆的交点,并分成segment段。因为是vex所以执行效率相当高。

确保wrangle执行方式是point后,input1连任意个可能要穿过的方向(我用了一个低段数的圆,相当于uniform sample),input2连一个点,这段代码就会生成所有通过input1和input2的弦。下一步就是比较然后选择这些弦里压黑最多的那根保留了。经过这个之后就会对一个点(input2)选出一根线。对所有的点for一次后就可以生成图像了。


Python+MediaPipe实现实时面部关键点检测实战 面部关键点检测是计算机视觉中的基础技术,通过定位人脸特征点(如眼睛、鼻子等)为AR应用提供数据支持。其核心原理是利用深度学习模型分析图像特征,MediaPipe框架的Face Mesh模块通过轻量级网络实现了468/478个关键点的实时检测。在工程实践中,结合OpenCV进行视频流处理时,需注意分辨率调整、置信度阈值优化等技巧来平衡精度与性能。典型应用场景包括虚拟化妆、表情识别等,其中通过关键点距离比判断表情状态是常见实现方式。本项目基于Python+MediaPipe+OpenCV技术栈,详细演示了从环境 阅读详情

相关推荐

OpenCV-Python实战(15)——面部特征点检测详解(仅需5行代码学会3种面部特征点检测方法)

在计算机视觉中,面部关键点(也称为面部特征点)的定位通常是许多面部分析方法和算法中的关键步骤。例如,面部表情识别、头部姿态估计和疲倦检测系统都依赖于面部特征点检测提供的面部信息。在本文中,将介绍如何使用 OpenCV、dlib 以及 face_recognition 进行面部特征点检测。

盼小辉丶的博客 2万+

SOJ 1023

1023. Funny Contest Constraints Time Limit: 3 secs, Memory Limit: 32 MB Description Powerful men often play funny game. Today N powerful men sit in a circle and face inward. They all

Tsinting的博客 465

22版本Altium Designer导出生产文件的规范化操作指南

本文详细介绍了PCB设计中的Gerber文件导出流程及相关文件生成方法。主要内容包括:1)Gerber文件导出的5个关键设置步骤;2)NC钻孔文件的导出方法;3)坐标文件的生成方式;4)文件打包规范要求必须包含Gerber文件、NC钻孔文件和坐标文件;5)文件提交的两种方式(新手推荐提交原始工程文件,量产推荐仅提交Gerber文件包)。文章还特别强调了单位一致性、精度验证等注意事项,为PCB设计文件的规范输出提供了完整指导。

qq_56506325的博客 1055

POJ2599 A funny game (图博弈)

题目链接:传送门 题意: 给定一个图,两个人从起点出发,轮流开飞机。当离开这个点后这个点 就不能使用了。假设轮到谁了谁不能飞了就输了。 必败状态非常好找,当一个人在位置s的时候与这个点相连的没有点能用的 时候则必败。然后数据非常小。直接暴力搜索就能够AC。 代码例如以下: #include &lt;iostream&gt; #include &lt;cstdio&gt; ...

weixin_34111819的博客 172

vscode+keil嵌入式软件开发全流程

vscode+keil嵌入式软件开发全流程

AspringQ的博客 6781

【低空经济】森林火情高精度监测与早期预警无人机巡护方案

在全球范围内,森林火灾已成为一个严重的生态和社会问题。它不仅对自然生态系统造成了毁灭性的影响,还对人类的生命财产安全构成了极大的威胁。根据国际森林发展组织的统计,全球每年因森林火灾造成的经济损失高达数百亿美元,甚至在某些年份,火灾损失占到某些国家国民经济总量的相当一部分。因此,开展高效的森林火情监测与早期预警工作显得尤为重要。随着科技的发展,无人机作为新兴的监测工具,以其高效、灵活和经济的特点在森林火灾监测领域展现出了巨大的潜力。

2502_92579126的博客 1212

[博弈]A Funny Game

A Funny Game Description Alice and Bob decide to play a funny game. At the beginning of the game they pick n(1 <= n <= 106) coins in a circle, as Figure 1 shows. A move consists in removing on...

weixin_30871701的博客 190

BMP280气压传感器原理图设计,已量产(压力传感器)

做嵌入式项目时,“小而精” 的传感器模块永远是刚需 —— 尤其是需要同时测气压和温度的场景,比如无人机定高、环境监测节点、穿戴设备等。最近捣鼓了一款 BMP280 的 Breakout 板,封装做得很紧凑,同时兼顾了稳定性和兼容性,这里单聊硬件设计细节。

不脱发的程序猿 300

[poj2484]A Funny Game(对称博弈)

题目:http://poj.org/problem?id=2484 题意:n个石子围成一个圈,两个人轮流取,每次可以取一个石子或者相邻的两个石子,问先手胜还是后手胜 分析: 典型的对称博弈 如果n>=3,那么无论先手如何选择,后手完全可以选择一种方法使得后来剩下的是两条一样长的链,那么无论先手如何操作,后手只要在后来的游戏中采取对称的相同操作,一定可以让对手输 转载于:https:/...

weixin_30399055的博客 122

C# 上位机程序中的数据采集与存储技术:从采集到持久化的完整解决方案

本文系统讲解C#上位机程序如何实现设备数据采集与持久化。主要内容包括:1)多种数据采集方式(串口通信、Modbus、OPC等)及代码示例;2)详细对比不同存储技术(CSV、SQLite、关系型数据库等)的优缺点;3)提供SQLite等存储实现代码;4)推荐分层系统架构(采集-缓存-存储-可视化);5)性能优化建议(多线程采集、异步存储、批量写入等)。文章强调应根据项目需求选择合适的技术方案,构建高效稳定的数据采集存储闭环系统。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1025

在 SAP BTP 中玩转工厂日历 Maintain Factory Calendars 实战指南

工厂日历是企业关键的时间主数据,基于国家假日历定义工作日与非工作日,广泛应用于生产计划、采购交期、财务结账等业务场景。SAP系统通过三类应用(维护节假日、假日历和工厂日历)实现分层配置。工厂日历作为顶层配置,支持工作日模式设定和例外规则添加。在多系统架构中,工厂日历可通过集成场景同步,确保数据一致性。应用支持创建、编辑和查看功能,包含有效期设置、例外规则管理和多语言文本维护。合理设置工厂日历对业务运营至关重要,需注意命名规范和有效期选择,避免历史数据问题。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 222

MediaPipe Face Mesh API变更解析与迁移指南

面部关键点检测是计算机视觉中的基础技术,通过识别面部特征点实现AR、表情分析等应用。MediaPipe作为Google开源的跨平台框架,其Face Mesh模块提供了468个面部关键点的实时追踪能力。在API迭代过程中,FACE_CONNECTIONS常量被更灵活的FACEMESH_*系列常量取代,这一变更影响了面部网格连接关系的获取方式。理解新版API的数据结构和设计理念,开发者可以更好地实现面部区域分析、虚拟化妆等应用场景。本文针对常见的AttributeError问题,详细解析MediaPipe版本变

a1311010193的博客 336

成对使用离轴抛物面反射镜的设计

成对使用离轴抛物面反射镜的设计

weixin_72050316的博客 638

MediaPipe Face Mesh API变更与版本兼容性解决方案

计算机视觉开发中,API版本兼容性问题是常见的技术挑战。以MediaPipe人脸网格(Face Mesh)模块为例,其v0.8.11版本进行了重大API调整,移除了旧版FACE_CONNECTIONS常量,新增了FACEMESH_CONTOURS等更精细的面部连接分类。这种变更导致大量现有代码失效,尤其在实时人脸特征点检测和AR应用中影响显著。通过分析API变更内容、影响范围,开发者可以采用快速修复方案如替换为FACEMESH_TESSELATION,或实施完整迁移策略包括版本锁定、连接类型选择和绘制逻辑更

weixin_33671935的博客 429

Python爬虫实战:利用最新技术爬取抖音话题挑战视频

本文将详细介绍如何使用Python最新技术栈构建一个高效的抖音话题挑战视频爬虫。我们将从环境配置开始,逐步讲解请求模拟、数据解析、反反爬策略、数据存储等关键环节,并提供完整的代码实现。本文适合有一定Python基础的开发者学习高级网络爬虫技术。关键词:Python爬虫、抖音API、话题挑战、视频爬取、反反爬本文详细介绍了如何使用Python最新技术栈构建抖音话题挑战视频爬虫。我们从基础请求开始,逐步实现了数据解析、反反爬策略、数据存储等核心功能,并探讨了分布式和增量爬取等高级主题。更智能的反反爬策略。

2201_76125261的博客 1744

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

使用 MediaPipe Face Mesh 实现 468 点实时 3D 面部网格追踪与 AR 特效开发

MediaPipe Face Mesh 是 Google MediaPipe 提供的一套跨平台人脸解决方案:仅凭单目摄像头输入,就能在移动设备上以实时速度估计 **468 个 3D 面部关键点**,重建近似 3D 面部表面,并可配合 Face Transform(3D 人脸几何)模块将检测结果桥接为可供增强现实(AR)使用的度量 3D 空间数据。阅读本文,你将掌握其两级 ML Pipeline 的

gitblog_00372的博客 427

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

单摄像头跑通 MediaPipe Face Mesh:468 个 3D 面部关键点实战指南

想象一下,你在做一款 AR 应用:用户戴上虚拟眼镜、涂上虚拟口红,或者你的 3D 虚拟人跟着真人说话的口型动起来。这些效果的底座其实是同一个东西——用一台普通前置摄像头,实时算出脸上的 **468 个 3D 面部关键点**。 MediaPipe Face Mesh 干的就是这件事,而且全程可以在手机上 GPU 实时跑。注意,这里没有深度相机,也没有任何专用传感器。它只是看了个 2D 画面,却把脸

gitblog_00692的博客 232

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

从零开始:MediaPipe Face Mesh 如何实现移动端实时3D面部追踪?

想要在移动设备上打造令人惊艳的AR特效吗?🤔 寻找一个既能精准捕捉面部细节,又能在普通手机上流畅运行的解决方案?MediaPipe Face Mesh正是你需要的答案!这个开源工具包让开发者能够轻松实现468个3D面部关键点的实时追踪,为移动端面部识别应用提供了强大的技术支持。 ## 为什么选择MediaPipe Face Mesh?🚀 在移动设备上实现高精度面部识别一直是个技术挑战。传统

gitblog_00443的博客 1067

MediaPipe FaceMesh版本升级与FACE_CONNECTIONS替代方案

面部特征点检测是计算机视觉中的基础技术,通过识别面部关键点构建网格模型,广泛应用于AR滤镜、表情识别等领域。MediaPipe作为Google开源的跨平台解决方案,其FaceMesh模块通过算法优化实现了实时面部网格构建。随着版本迭代,早期使用的FACE_CONNECTIONS常量已被FACEMESH_TESSELATION等更灵活的连接方案替代,这一变更既提升了拓扑结构的自定义能力,也优化了跨平台性能。在工程实践中,开发者需要特别注意版本兼容性问题,新版MediaPipe虽然移除了硬编码连接关系,但提供了

weixin_34318272的博客 351

MediaPipe Face Mesh:移动端468点实时3D面部捕捉的终极解决方案

在移动设备上实现精准的实时面部识别和AR特效一直是计算机视觉领域的技术难题。传统方案要么依赖昂贵的深度传感器,要么计算复杂度太高难以在移动端实时运行。MediaPipe Face Mesh正是为解决这一挑战而生的开源解决方案,它能够在普通RGB摄像头输入下,实时检测并追踪468个3D面部关键点,为开发者提供专业级的面部特征分析能力。 ## 面部识别技术的瓶颈与突破 移动端面部识别面临三大核心挑

gitblog_00558的博客 277

数据科学工具链实战地图:从NumPy到Hugging Face的避坑指南

数据科学工具链并非孤立库的堆砌,而是围绕数据流动构建的协同系统。其底层原理植根于内存管理(如NumPy的strides与广播机制)、计算图范式(PyTorch动态图 vs TensorFlow静态图)和分布式调度(Dask延迟计算)。技术价值体现在工程鲁棒性——避免Pandas链式赋值导致的数据静默丢失、XGBoost tree_method选择引发的3.7倍性能差异、或Hugging Face tokenizer未设device造成的GPU空转。典型应用场景覆盖金融风控中的统计显著性验证(Statsmod

weixin_30698527的博客 340

OpenCV项目实战:基于dlib的人脸关键点检测

该项目基于dlib模块提供的人脸检测器以及关键点定位工具完成。首先通过检测器在图像中定位人脸的位置,然后通过关键点定位工具提取脸部关键点坐标,最后绘制脸部特征点。

📷 图像处理践行者 | 传统算法 · 深度学习 · 多模态 | 分享实战经验与技术洞见,探索从像素到智能的无限可能。 2617

Flet Canvas 控件实战:用 Python 在 Canvas 上绘制任意图形

Flet 0.6.0 正式引入了 `Canvas` 控件,让开发者可以完全用 Python 声明式地绘制直线、圆、圆弧、路径与文字等任意图形,无需任何前端经验。本文以发布博客为骨架,结合当前仓库中 `flet.canvas` 包的真实源码与示例,系统讲解 Canvas 的图元体系、`Paint` 样式、布局与尺寸控制、手绘应用实现,以及同版本附带推出的富文本、按钮 `url` 等实用特性,读完后你

gitblog_00450的博客 1067

faceai 项目实战:基于 Dlib 的图片人脸检测与 68 特征点定位

本指南以 faceai 项目中的 Dlib 人脸检测实现为主线,讲解如何用 Dlib 在静态图片上完成人脸定位并标出 68 个面部特征点(landmarks),并与项目中的 OpenCV 方案进行对比。读完本文,你将掌握 Dlib 的安装方式、`shape_predictor_68_face_landmarks` 模型的获取与使用、以及基于 `dlib.get_frontal_face_detec

gitblog_00504的博客 504

OpenCV 人脸关键点检测实战:使用 FacemarkKazemi 在图像中定位面部特征点

人脸关键点(Facial Landmark)检测是计算机视觉中的基础任务,目标是在已检测到的人脸区域中精确定位眼睛、眉毛、鼻子、嘴巴与面部轮廓等特征点的坐标。本文基于 opencv_contrib 仓库中 `face` 模块的官方教程 [face_landmark_detection.markdown](https://link.gitcode.com/i/345d941799a330c94b26

gitblog_00522的博客 198

MediaPipe实时面部关键点检测技术与优化实践

面部关键点检测是计算机视觉中的基础技术,通过定位人脸特征点(如眼角、嘴角等)为表情识别、虚拟化妆等应用提供数据支持。传统方法如Dlib的68点模型存在实时性瓶颈,而MediaPipe框架采用轻量级神经网络实现468个特征点的实时追踪,并支持三维坐标输出。其技术价值体现在移动端的高效运行(30FPS+)和深度信息获取,适用于AR滤镜、疲劳驾驶监测等场景。通过TFLite模型优化和GPU加速,MediaPipe在树莓派等边缘设备上也能流畅运行。本文结合OpenCV和Python,详细解析从环境配置到性能优化的全

weixin_34101784的博客 411
上一篇: Unit Test
下一篇: 深度学习网络怎么看你的自拍
cuckon
博客等级 码龄17年 524粉丝 188原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值