人脸属性分析（年龄、性别、表情、眼镜、皮肤识别、口罩）

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%.