【C++版】Face Alignment at 3000 FPS by Regressing Local Binary Features源码下载 http://www.thinkface.cn/thread-3136-1-1.html

《Face Alignment at 3000 FPS》 又是msra孙剑组一篇cvpr大作，之前实现了他之前的一篇《Face Alignment by Explicit Shape Regression 》（ESR）, 当时速度应该是50fps左右，新算法

tutorial Structured Sparsity via Half-quadratic Minimization的S1-SR的第八页。在The CAS-PEAL large-scale Chinese face database and baseline

在人脸识别过程中，大致会经历三个步骤：第一步：人脸检测，定位人脸在哪里，在图像中的位置；第二步：人脸关键点定位，比如在表情、闭眼、姿态偏转等；第三部：识别是谁；后面其实还有比较难的问题，如表情识别，情感计算等； 人脸识别分为两种：人脸识别（确定身份是哪个人）与人脸验证（是不是那个人） 当前人脸识别技术面临的主要挑战在于： 1.        光照变化，白天与晚上都需要正常使用 2.        表情变化 3.        姿态偏转 4.        遮挡 5.        识别速度 6.        活体检测 7.        近红外还是可见光 8.        低分辨率 现有的

，也是test阶段模型加载的路径    dataPath：数据库图片加载数据路径，这里要注意，还记得第一步中的Path_images.txt文件吗，这个文件里保存    的就是图片路径，这个文件里的路径就是D:/Projects_Face

论文：Face Alignment at 3000 FPS via Regressing Local Binary Features.pdf 实现：https://github.com/luoyetx/face-alignment-at-3000fps 摘要

基于部位的一对一特征用于细粒度分类，人脸确认和属性估计 摘要 我们提出一种方法（基于部位的一对一特征，POOFs）可以自动地从一组特定领域的带有特定位置和类别标注的图片集中学习大量不同的具有高区分性的中级特征。每一个特征都能够根据对象特定位置的表观特征来区分两个不同的类。通过与加利福利亚理工学院UCSD鸟类数据库的最新最先进结果和LFW库上的最好的人脸确认结果相比较，我们证明了这些特征用于细粒度视觉分类特别有效。最后，我们证明了POOFs在训练数据不足时具有明显的优势。 1.       引言 在过去几年里，细粒度视觉分类已经成为一个流行的领域。不同于区分基本类别的分类，比如区分椅子和汽车的基

作者：sciencefans 搞了一年人脸识别，寻思着记录点什么，于是想写这么个系列，介绍人脸识别的四大块：Face detection, alignment, verification and identification(recognization

http://blog.sina.com.cn/s/blog_79496d6b0100qy6t.html 尝试安装解码器，没成功，改用 mp4 文件了 following is detect face from static image and store

DATABASES FROM:http://www.face-rec.org/databases/   When benchmarking an algorithm it is recommendable to use a standard test

文献：《Robust Face Recognition via Sparse Representation》  08年马毅等发表PAMI上的经典利用稀疏表达识别人脸的文章  马毅给人网站点击打开链接      稀疏人脸表示描述： 即一张人脸图像，可以用数据库

一.文献名字和作者      Discriminative Deep Metric Learning for Face Verification in the Wild，Junlin Hu, Jiwen Lu, Yap-Peng Tan     二.阅读时间