人脸识别【课程笔记1】

目录

人脸检测：

人脸关键点检测：

人脸识别：

人脸属性识别：

人脸检测核心算法：

 基于人脸先验知识的方法：

 小脸检测问题：

开源项目：

---

人脸检测：

人脸检测核心算法：级联模型、多任务模型、多尺度模型

人脸关键点检测：

人脸关键点检测核心算法：关键点点数、多任务模型、大姿态定位、关键点跟踪

人脸识别：

人脸识别核心算法：检测-对齐-识别流程、度量学习、分类+验证模型、优化目标改进

人脸属性识别：

人脸属性分析核心算法：表情识别、年龄识别、颜值识别、装饰识别、脸型识别、性别识别

人脸与关键点检测实战、人脸识别实战、人脸表情识别实战

人脸检测核心算法：

任务流程：

1. 如何选择图像块？
2. 如何提取特征？
3. 如何判断是否为人脸？

选择图像块—>提取特征进行描述—>判断是否为人脸

基础的数据集：

 WiderFace：为现在主流使用数据集，比较适合评测人脸识别算法，检测结果的权威性比较高

伪造脸是目前安全领域内比较重要的问题

 基于人脸先验知识的方法：

Faceness：

• 分区域检测人脸五官（概率图）
• 基于五官分布规则

输入为一个RGB图，输出为概率图

faceness：借助了多个基于DCNN网络的facial parts分类器对人脸进行打分，然后根据每个部件的得分进行规则分析得到Proposal的人脸区域，最后通过一个Refine的网络得到最终的人脸检测结果。

第1阶段：生成partness map，由局部推理出人脸候选区域。

根据attribute-aware深度网络生成人脸部件map图(partness map)，文章共使用了5个部件:hair,eye,nose,mouth,beard. 通过part的结合计算人脸的score.部件与部件之间是有相对位置关系的,比如头发在眼睛上方,嘴巴在鼻子下方,因此利用部件的spatial arrangement可以计算face likeliness. 通过这个打分对原始的人脸proposal进行重排序。

第2阶段：Refining the face hypotheses

上一阶段proposal生成的候选框已经有较高的召回率，通过训练一个人脸分类和边界回归的CNN可以进一步提升其效果。

Faceness的整体性能在当时看来非常令人兴奋。此前学术界在FDDB上取得的最好检测精度是在100个误检时达到84%的检测率，Faceness在100个误检时，检测率接近88%，提升了几乎4个百分点；除了算法本身的精度有很大提升，作者还做了很多工程上的优化比如：通过多个网络共享参数，降低网络参数量 83%；采用多任务的训练方式同一网络实现不同任务等。

这部分内容参考链接：人脸检测 - 知乎

检测到五官后会去得到最终的人脸：

人脸概率图计算：基于预定规则；积分图快速计算

Cascade CNN：级联结构不断筛选候选框；边界改进网络更好的定位人脸位置

级联：指建立层次连接的层级结构。

优点：

级联相关网络无需设置网络层数、隐层神经元数目，且训练速度较快。

缺点：

在数据较小时易陷入过拟合。

• 3个尺度的检测网络（12net，24net，48net）
• 3个尺度的边界修订网络（12-calibration-net，24~，48~）

图中从输入到输出，不断减小候选的人脸区域，得到最终的结果

 通用的目标检测模型也是可以用到人脸识别上的

标红的方法性能比较好

 小脸检测问题：

面临的挑战：

• 尺度小，特征模糊
• 感受野的大小和预设anchor的大小、小脸的大小不匹配

使用方法：

• 多尺度输入（图像金字塔）
• 多尺度特征
• 多尺度预测
• 各类方法融合

 

 M1分支，因为步长最小，则特征图大，可以检测到更小的人脸

通用目标检测模型使用在人脸识别上：

anchor策略：（预测的anchor与实际人脸的尺度不匹配）

开源项目：