用VC2013开发的人脸逐帧检测程序，采用了深度计算模型MTCNN的核，准确率95左右，调参较好的话，已经达到了商用层面，为了获取下载券下载其他东西，压箱底的代码倾情奉献罗

这是一个使用Pytork在MTCNN和LPRNet中进行的两阶段轻量级的车牌识别。MTCNN是一种非常著名的实时检测模型，主要用于人脸识别。它被修改用于车牌检测。LPRNet是另一种实时端到端DNN，用于后续识别。该网络性能优越，计算量小，无需进行初步字符分割。在这项工作中嵌入了空间变换层，以便更好地识别特征。在Nivida Quadro P4000上，在CCPD基础数据集上的识别准确率高达99%，每幅图像约80ms。 Training on LPRNet run 'LPRNet/data/preprocess.py' to prepare the dataset run 'LPRNet/LPRNet_Train.py' for training Test run 'MTCNN/MTCNN.py' for license plate detection run 'LPRNet/LPRNet_Test.py' for license plate recognition run 'main.py' for both

98%高识别率

基于QT实现的人脸识别系统，基于caffe框架C++实现，人脸检测部分使用MTCNN算法实现，识别部分用Seetaface里的Identification，Qt实现界面开发，使用MySQL数据库。

基于mtcnn与facenet实现人脸登录系统 本文主要介绍了系统涉及的人脸检测与识别的详细方法，该系统基于python2.7.10 / opencv2 / tensorflow1.7.0环境，实现了从摄像头读取视频，检测人脸，识别人脸的功能由于模型文件过大，git无法上传，整个项目放在百度云盘，地址： ://pan.baidu.com/s/1TaalpwQwPTqlCIfXInS_LA 目前，在实验室环境下，许多人脸识别已经赶上（超过）人工识别精度（准确率：0.9427〜0.9920），面部face ++，DeepID3，FaceNet等（但是，由于光线，角度，表情，年龄等多种因素，导致人脸识别技术无法在现实生活中广泛应用。此处基于python / opencv / tensorflow环境，采用FaceNet（LFW：0.9963）为基础来重建实时人脸检测与识别系统，探索人脸识别系统

本文于infoq.com，介绍了人脸检测与人脸识别，MTCNN模型，MTCNN模型推理，FaceNet模型，FaceNet模型推理等。人脸检测是对人脸进行识别和处理的第一步，主要用于检测并定位图片中的人脸，返回高精度的人脸框坐标及人脸特征点坐标。人脸识别会进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。目前人脸检测/识别的应用场景逐渐从室内演变到室外，从单一限定场景发展到广场、车站、地铁口等场景，人脸检测/识别面临的要求也越来越高，比如：人脸尺度多变、数量冗大、姿势多样包括俯拍人脸、戴帽子口罩等的遮挡、表情夸张、化妆伪装、光照条件恶劣、分辨率低甚至连肉

神经网络 概述 是等人提出的多任务级联卷积神经网络进行人脸检测的方法，它能够同时输出人脸的检测框以及5个关键点，是开源中效果最好的人脸检测器，，作者提供的版本为，它采用三级级联架构分阶段逐步过滤人脸，在CPU上可达到实时和较高的准确率，是目前人脸检测领域的基准。 由于各种不同的姿态，光照和遮挡等，人脸检测和对齐在非控制环境下非常具有挑战性。最近的研究表明使用深度学习能够获得惊艳的性能，MTCNN提出了一个多任务级联框架其发掘了检测和对齐的内在联系来提升性能。特别是，其通过由粗到细的方式设计了3个精心设计的级联式的网络来检测脸和关键点，从而又提出了一种在线难例挖掘的策略进一步提升性能。其超过能有

资料说明：包括数据+代码+文档+代码讲解。 1.项目背景 2.数据获取 3.数据预处理 4.探索性数据分析 5.特征工程 6.构建SVM人脸识别模型 7.模型评估 8.人脸图像随机测试 9.结论与展望

本文于infoq.com，介绍了人脸检测与人脸识别，MTCNN模型，MTCNN模型推理，FaceNet模型，FaceNet模型推理等。人脸检测是对人脸进行识别和处理的第一步，主要用于检测并定位图片中的人脸，返回高精度的人脸框坐标及人脸特征点坐标。人脸识别会进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。目前人脸检测/识别的应用场景逐渐从室内演变到室外，从单一限定场景发展到广场、车站、地铁口等场景，人脸检测/识别面临的要求也越来越高，比如：人脸尺度多变、数量冗大、姿势多样包括俯拍人脸、戴帽子口罩等的遮挡、表情夸张、化妆伪装、光照条件恶劣、分辨率低甚至连肉

MTCNN论文复现及改进版本代码: 包括生成数据集代码，使用的工具代码，改进的网络模型，和网络训练及侦测流程代码。