人脸属性分析,主要是基于人脸图像 识别人脸的基本属性 训练数据基于收集的400万张不同场景人脸数据。
目前算法支持:
1. 人脸的三维角度[roll,yaw,pitch]分析
2. 年龄[0-100]
3. 性别[男 女]
4. 表情[普通 微笑 大笑 ....] 7种表情
5. 眼镜[无眼镜 太阳镜 普通眼镜]
6. 皮肤[黄 白 黑]
7.口罩【戴口罩, 没有口罩】 (新增)
性能 模型大小:4.5M Arm 设备(CPU 1.9 GHz) 运行时间 5ms
运行效果图
算法准确率记录:
应用场景 智能相机 / 数据结构化
各属性论文的优秀实现方案
一,人脸特征点定位:
1. face alignment at 3000fps 2014, 运行较快(3,000 fps on a desktop or 300 fps on a mobile phone) ,但是存在侧脸准确度低,模型文件太大的问题[受特征点个数影响较大],在 300-W (68 landmarks)数据集 Common Subset 误差值为4.95 。
2. Deep Convolutional Network Cascade 2013采用三级级联的DCNN网络 准确度较高,该方法在LFPW数据集上取得当时(2013年)最好的定位结果。但是预测时间较长,120毫秒/张 , 在LFW上5个关键点误差值为1.3左右。
3. Coarse-to-Fine Auto-Encoder Networks (CFAN) for Real-Time Face Alignment 2014 一种由粗到精的自编码器网络,CFAN可以实时地完成人脸人脸对齐(在I7的台式机上达到23毫秒/张)
二,人脸表情识别
1.Convolutional Neural Networks for Facial Expression Recognition 2016 结构简单:[Conv-(SBN)-ReLU-(Dropout)-(Max-pool)]M - [Affine-(BN)-ReLU-(Dropout)]N - Affine - Softmax . 准确率为65% dataset provided by Kaggle website, which consists of about 37,000 wellstructured 48 × 48 pixel gray-scale images of faces.
2.Facial Expression Recognition via Learning Deep Sparse Autoencoders 2017准确率在95.7% on CK+ dataset.
三,性别,年龄,种族识别
1.Age and Gender Classification using Convolutional Neural Networks 2015 这篇文章没有什么新算法,只有调参,改变网络层数、卷积核大小,只要懂得Alexnet,实现这篇文献的算法,会比较容易。Gender accuracy 在 86.8% ,Age 预测精准的值 准确率在50.7% ,预测年龄段 准确率在 84.7%, 使用的数据集是Adience 。
2.基于LBP,亮度、形状直方图的多尺度特征融合的性别识别(Gender Classification Based on Fusion of Different Spatial Scale Features Selected by Mutual Information From Histogram of LBP, Intensity, and Shape)(2013年,IEEE检索)在性别识别中融入信息论概念, 对PCA、LDA等经典识别算法进行简化,在简化过程中根据熵、互信息量等指标提出一套特征选择理论,很有创新性和跨学科性。The best gender classification accuracy based on pixel intensities was 87.85% for a 36 × 36 pixel image. Results using shape features yielded 91.59% correct classification for 128 × 128 size, and 93.46% using LBP texture features, also on 128 × 128 image sizes. Fusing the three types of features (intensity, shape and texture) yielded the best score of 95.33% on the FERET database.
4.基于形状特征和神经网络的现实人脸性别分类(Gender recognition on real world faces based on shape representation and neural network)(2014年)先对人脸进行对齐操作,用人工神经网络的方法进行分类,在LFW数据库的非正向人脸样本部分做实验,识别率达到89.3%.