程序基于opencv实现，适用于AAM等算法的前期标记工作，标记结果输出为asf文件。

基于PCA人脸识别，首先对训练人脸库进行的某个人脸特征提取；
根据提取的特征，在测试人脸库中检索出训练人脸库的人脸。

算法流程：本系统运用PCA算法来实现人脸特征提取，然后通过计算欧式距离来判别待识别测试人脸，本个系统框架图如下：图：人脸识别系统框架图整个系统的流程是这样的，首先通过图像采集建立人脸库，这个人脸库里的人脸图像必须是格式及像素统一的，然后针对库里的人脸进行人脸训练，利用PCA进行人脸特征提取，获取特征矩阵向量组，将测试人脸投缘到特征子空间中，运用欧氏距离，在人脸库里查找相应的人脸图像，并输出。
二、算法介绍基于PCA算法的人脸特征提取2.1PCA的基本原理PCA中文全称主成分分析法（PrincipalComponen

人脸特征提取matlab源码。
适用于人脸识别的matlab实现。

PFLD算法，目前主流数据集上达到最高精度、ARM安卓机140fps，模型大小仅2.1M!

SeetaFace2采用标准C++开发，全部模块均不依赖任何第三方库，支持x86架构（Windows、Linux）和ARM架构（Android）。
SeetaFace2支持的上层应用包括但不限于人脸门禁、无感考勤、人脸比对等。
编译简介2.1编译依赖GNUMake工具GCC或者Clang编译器CM2.2linux和windows平台编译说明linux和windows上的SDK编译脚本见目录craft，其中craft/linux下为linux版本的编译脚本，craft/windows下为windows版本的编译脚本，默认编译的库为64位Release版本。
linux和windows上的SDK编译方法：打开终端（windows上为VS2015x64NativeToolsCommandPrompt工具，linux上为bash），cd到编译脚本所在目录；
执行对应平台的编译脚本。
linux上example的编译运行方法：cd到example/search目录下，执行make指令；
拷贝模型文件到程序指定的目录下；
执行脚本run.sh。
windows上example的编译运行方法：使用vs2015打开SeetaExample.sln构建工程，修改Opencv3.props属性表中变量OpenCV3Home的值为本机上的OpenCV3的安装目录；
执行vs2015中的编译命令；
拷贝模型文件到程序指定的目录下，运行程序。
2.3Android平台编译说明Android版本的编译方法：安装ndk编译工具；
环境变量中导出ndk-build工具；
cd到各模块的jni目录下（如SeetaNet的Android编译脚本位置为SeetaNet/sources/jni,FaceDetector的Android编译脚本位置为FaceDetector/FaceDetector/jni），执行ndk-build-j8命令进行编译。
编译依赖说明：人脸检测模块FaceDetector，面部关键点定位模块FaceLandmarker以及人脸特征提取与比对模块FaceRecognizer均依赖前向计算框架SeetaNet模块，因此需优先编译前向计算框架SeetaNet模块。

40M比较大，差点不能上传，绝对的好东西。
人脸识别是图像处理领域的一个重要技术，是该领域非常活跃的研究课题。
它是基于人类脸部特征信息进行身份识别的一种模式识别技术。
由于人脸图像的特殊性，要使这项技术完全成熟并能够应用到现实生活中，还需要有很多亟待解决的问题，因此，人脸识别研究具有很大的挑战性，一直是模式识别领域的研究热点。
人脸识别的过程主要分为三个阶段：人脸检测、特征提取以及分类识别。
针对目前常用的人脸识别方法中存在着一些缺陷，如计算量大，图像受光照、表情、姿态的影响较大等问题，本文提出基于图像处理的方法，获得更好的识别效果。
2．主要内容（1）熟悉目前常用的人脸识别方法；
（2）了解图像处理中应用于模式识别的方法，；
（3）选定用于人脸识别的图像处理方法；
（4）人脸特征提取；
（5）人脸的分类识别；

#face人脸考勤，人脸考勤是采用当今国际科技领域高精技术——人脸识别技术（融合了计算机图像处理技术与生物统计学原理于一体），利用计算机图像处理技术从视频中提取人像特征点，利用生物统计学的原理进行分析并建立人脸特征模板。
当已登记的人员从人脸识别机前走过，它会有语音提示“你好”或者人员的姓名表示考勤已成功。
而且，它还有拥有图像更新功能，若将正采取的图像作为第一人脸，存储的为第二人脸，如果第一人脸图像与第二人脸图像相一致，人脸识别考勤机将自动储存第一人脸图像来更新该第二人脸图像。
该法可保持用户脸部图像的更新，降低了脸部外形改变对识别的影响，增加了识别的准确率。

haarcascades人脸特征分类器的XML文件，包括haarcascade_frontalface_default.xml,haarcascade_frontalface_alt_tree.xml,haarcascade_frontalface_alt.xml,haarcascade_frontalface_alt2.xml,haarcascade_eye.xml等等

用MATLAB实现主动形状模型的算法，在人脸识别中的人脸特征提取有很好的应用

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。