**
系統環境：ubuntu16.04 核心：4.15.0-29-generic
首先要配置好caffe的環境，caffe環境的搭建就不在這裡說了
下面開始進入正題：正式實現人臉檢測功能
接下來所需要的所有檔案及指令碼：
注：由於上傳檔案大小被限制了，就不上傳了，想要詳細按照流程進行一遍此實驗的需要自己準備資料來源，
如果只是想達到最終人臉檢測的效果，模型和呼叫author.py指令碼我已經上傳只需要適當修改路徑即可。
1.建立乙個目錄face_detect，用來儲存此次工程專案，最好建立在當前使用者的家目錄下2.在face_detect目錄建立乙個train目錄和乙個val目錄，分別用來儲存訓練的和測試的。
3.train目錄下新建乙個0目錄和1目錄，分別存放人臉和非人臉
講過上面的操作，現在目錄結構應該是下面這樣。
4.給樣本打標籤本次試驗中人臉的資料標籤為0，非人臉的資料標籤為1，然後再face_detect目錄下建立乙個train.txt檔案，用來儲存標籤，一會製作lmdb模型時會用到。train.txt 檔案的格式為：
其中***0為非人臉的檔名，***1為人臉的檔名
接著再新建乙個val.txt檔案格式同上
注：train.txt檔案val.txt檔案會上傳，太大了超過了限制就不上傳了。
5.製作lmdb資料來源
通過提前寫好的 face-lmdb.sh指令碼(指令碼也會上傳)放到工程目錄face_detect下，只需要將指令碼中內容適當修改即可製作好資料來源。
需要修改的內容有：
注：face-lmdb.sh指令碼也會上傳
6.將一開始準備好的網路模型檔案（train.prototxt）及超引數檔案（solver.prototxt）放到face_detect目錄中，然後執行train.sh指令碼即可對模型進行訓練，
train.sh需要改的地方就是路徑問題，這裡就不多說了。
指行完train.sh指令碼會生在face_detect下生成model目錄，目錄下生成如下模型，這裡迭代了50000次
注：模型檔案以及超引數檔案和train.sh指令碼也都會上傳
根據deploy.prototxt檔案(全連線時使用）和deploy_full_conv.prototxt檔案(全卷積時使用)以及上一步中生成的_iter_50000.caffemodel模型，生成alexnet_iter_50000_full_conv.caffemodel模型檔案
innertoconv.py指令碼實現這一過程，指令碼見
然後執行author.py指令碼即可
最終實際效果圖。
caffe 人臉關鍵點檢測 密集人臉關鍵點檢測
mtcnn聯合人臉檢測和對齊任務提供了5點關鍵點的能力，但是對於姿態姿態恢復等應用是遠遠不夠的，經常會出現某個點錯誤導致大幅抖動，顯然需要更密集的關鍵點.常見的資料集都是68點和106點。人臉關鍵點檢測主要面臨下面幾個挑戰 區域性變化 現實場景中人臉的表情，廣告，以及遮擋情況都有較大的變化，如fig...
人臉識別 基於Caffe
0 jpg 0 修改部分 example home jh face detect data home jh face detect tools caffe安裝目錄 build tools train data root home jh face detect train val data root ...
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...