最近研究活體檢測，主要是針對防止身份證**攻擊，通過提示使用者完成某些動作進行識別；
想要檢測使用者的動作，最基礎的乙個前提，必須將人臉的特徵點提取出來，才能做之後的判斷；opencv自帶的方法貌似只能畫出矩形的人臉框，我們必須要準確檢測出眼睛鼻子和人臉的輪廓，從網上找了兩個人臉特徵提取庫：
1.intrafacedll
2.libfacedetect
兩個庫的共同點是，都能提取人臉68個關鍵點，這對我們的檢測提供了很有利的條件；
也各有利弊，intrafacedll提取相對準確，尤其是針對眨眼，張嘴等動作時，相當靈敏，但是當前網上我只找到了lib庫，沒有找到原始碼，其只支援opencv246版本（和我的專案衝突）；libfacedetect對於眨眼並不靈敏，張嘴效果還行，主要是引入方便，相容性好；
好，提取68個點之後，效果大概是這樣：
好，現在我說一下活體檢測的思路把，
第乙個張嘴，首先要找出嘴巴上下左右嘴唇的位置，通過上下的絕對距離/左右的絕對距離，得到乙個比例，設定乙個闕值，大於此值時，為張嘴，小於則為閉嘴；
眨眼，和張嘴的邏輯一樣，不過要分左眼和右眼；
搖頭，檢測左右臉的晃動，需要三個點，鼻子，臉最左位置，臉最右位置，鼻子到左絕對距離為left,到右絕對距離為right, 總距離記為w=left+right; 當leftw/3則判斷為向右晃動，其他情況 為正臉；
以上是我通過實驗總結出來的幾種方法，效果比較理想，**這裡就不貼了，畢竟原理最重要
物體檢測的一些概念（1）
1 遷移學習 遷移學習也即所謂的有監督預訓練 supervised pre training 我們通常把它稱之為遷移學習。比如你已經有一大堆標註好的人臉年齡分類的資料，訓練了乙個cnn，用於人臉的年齡識別。然後當你遇到新的專案任務是 人臉性別識別，那麼這個時候你可以利用已經訓練好的年齡識別cnn模型...
關於記憶體洩漏檢測的一些方法
define crtdbg map alloc 顯示記憶體塊型別和記憶體塊分配編號 include 在輸出視窗檢視記憶體洩漏資訊,在程式結束前加入 crtdumpmemoryleaks 退出程式位置固定時 或者 crtsetdbgflag crtdbg alloc mem df crtdbg lea...
關於異常檢測的一些介紹
三種概念 異常檢測 有乙個和正常樣本不同的感興趣的點，比如網路攻擊。去噪 對資料的干擾，去除不想要的資料。新奇檢測 資料中的新模式，比如說乙個團體中出現的新的主題。乙個基本的想法 表示出正常樣本的樣子，不符合這個規律的就是異常。存在挑戰 完全表示正常樣本困難 異常偽裝為正常的樣子 正常樣本的進化，可...