近期开始每天都看arXiv上的最新文章，发现arXiv真的是一个不错的文献网站，这里面有大量很新很好的想法提前公布给大家，并且arXiv的文章很多已经被当做参考文献所引用，所以建议搞算法的筒子们也多跟踪跟踪这里的论文，很有帮助！！上个礼拜就看到这篇文章《Can we still avoid automatic face detection?》，文章没有说关于算法理论方面的东西，只是阐述了一个很有趣的话题：如何不让facebook检测到你的脸。或者换句话说吧，“调研一下facebook人脸检测的弱点在哪里”。
论文告诉我们一件事情
可能有的朋友们对这种主题的文章并不感兴趣，但对于我来说，看多了“传统”算法文献，冷不丁看到如此标新立异的文章，就仿佛陶渊明同志在桃花源中发现那里的厕所既干净又整洁，无法抑制住内心的狂喜。。。。下面，本文我来介绍一下本文说了一个什么样的美丽故事。
我没用过facebook，因为我无法打开facebook的网站，不过这没关系，我们的人人网就是模仿它来的，facebook有个功能是“找出你认识的人”，该文的作者认为这种功能会侵犯很多无辜人类的隐私，那么对于我们这些善良的宅男，如何才能避免自己那张“程序脸”不被过多的暴漏于世呢？为了我们作者一共做了如下两件事情：
1.针对face book的人脸识别进行分析，得出人脸检测是保护隐私的首要选择。
2.研究了face book的人脸检测对何种因素比较敏感，分别从光照，遮挡（自然遮挡和人工遮挡），遮眼，遮挡特定标定点等几方面入手进行试验，实验结果表明，除了光照没有干扰之外，剩余的因素都可以降低face book检测率。
图1. 悲剧的是，这几种情况facebook都可以检测出来
关于第一点，如果你的脸被检测出来了，那么就可能被你的朋友圈的熟悉的陌生人们给你打上一个重重的tag，根本不需要facebook自己的人脸识别功能，依靠广大的人民群众，你只要一冒头肯定就被抓到了，所以作者认为重点在于人脸检测，如果我们可以通过啥子办法让自己无法被人脸检测器检测出来，然后就不会有什么然后了，如何做到？我当时想到的无非有一下几点：
A. 化妆
B. 带个围脖
C. 带个墨镜
D. 调暗视频灯光
令我感动的是，这几点都在作者的试验范围之内，下面让我们来看看作者都做了哪些试验，得到了哪些结论。
大家看完之后一定也会想知道到到底为什么会这样，作者其实并没有仔细分析原因，但是作者提供了一个富含深意的统计图像。
这个图像的意思是，每个点被遮挡的时候的人脸识别率，我们可以发现鼻子附近对人脸识别是最重要的，但是由于只测试了单一数据集，不具备太强的统计意义，只能启发一下我们不想让别人认出来的时候应该如何是好。答案是，遮住你的鼻子。。。。
自己想说的话
借着这篇文献我们来说一说人脸识别基本流程
图2.人脸识别基本流程图
这是我画的人脸识别基本流程图，输入图像之后，第一步就是人脸检测，不要小瞧这一步，其实人脸识别这么多年的研究大部分学者的精力都集中在此处，就我自己研究实现过的人脸检测算法，就有这么四大类，1）基于adaboost的人脸检测，这个应该算是早期的类别了，基于的哲学思想就是“三个臭皮匠，顶的上一个诸葛亮”，采用弱分类器串联，强分类器级联，即cascade的方式予以解决，该类别算法的缺点是如果弱分类稍微复杂一点，那么算法耗时将会直线增加，所以在实际应用中我们往往采用桩分类器，即一个简简单单的特征作为弱分类器，中心都放在了训练上面。2）基于proposal的人脸检测方法，过去两年大家一直都在用BING和edge box这两个算法作为proposal的检测，然后进一步在有限几个proposal中应用adaboost等算法检测人脸，这样做的好处就是提速，但是缺点也很明显，这两个算法都无法在非正常条件下提取出准确的proposal，是无法，可以说是昙花一现。3）基于DPM的人脸检测方法，该方法是近期传统人脸检测方法中最好的一个，考虑到了人脸各个部件之间的关联，得到了很好的效果，但是缺点就是一个慢。4）基于深度学习的人脸检测方法，这个方法已经成为现在人脸检测方法的主流，目前正在从事这方面的研究，它和adaboost同属于傻瓜式的机器学习方法，但是其借助于“图像卷积”所具有的天然的特征提取能力，取得了远远超过adaboost的实验性能。
特征点标定，这个我已经发过两篇博客了，就是通过一定的手段提取面部关键点，英语名称keypoint，这块内容我很感兴趣，里面有各种各样数学理论的成功应用，最开始统治算法为ASM和AAM两兄弟，过去几年井喷一样的出现各种突破性算法，基于拟牛顿法的SDM，作者称之为有监督下降法， 还有基于随机森林方法的LBF，每个特征点都对应一个随机森林，效果与SDM相当，但是速度却快了很多。
人脸规范化，其实这部分内容是最简单的，也是必不可少的，我们在提取特征之前都要进行人脸对齐，以模板脸或者中心脸为比较对象，事先基于人脸姿态对人脸进行“校正”，主要核心内容就是人脸姿态估计，人脸姿态估计的方法不多，主流方法就是基于人脸特征点，直接转化为非线性最小二乘问题，然后利用各种优化方法，如LM，牛顿法，梯度下降法，信赖域算法等进行求解。不过姿态估计所取得的精度一直不高（1度之内很难做到），近年来，竟然出现了基于深度学习的人脸姿态估计方法，我觉得很可笑，一个是这样做得到的姿态永远都是离散的，除非你能够收集到足够多的、连续的、各种人脸姿态样本进行训练，另一个是这样做其估计速度肯定很慢。我总感觉它属于”捡了籽麻，丢了西瓜“。之后，就可以进行对齐操作了，我试过"普特鲁斯"方法，效果还不错。
特征提取，这一步指的就是根据标定的特征点提取复杂特征，这一块内容也融入了无数学者的心血，在此处不好妄加评论，诸如SIFT，LBP, HOG，FISHER等特征早已是经典中的经典。
人脸识别，我在研究生期间就在做这方面的东西，那个时候做的也很简单，特征只选择图像的灰度值，利用子空间学习中的诸如PCA，LDA，LPP，LEE等变种算法来投影人脸特征至低维可区分子空间，其实当前这套理论经常被称为“度量学习”的一种方法，其他诸如字典学习，稀疏表示等都属于这一范畴。然并卵，出来工作之后才知道这样做没什么实际价值，应用于实际的方法充其量用用R-LDA。值得指出的是，上面说的这些属于狭义的人脸识别，相对论不是也分为广义相对论和狭义相对论嘛！！那么什么是广义的人脸识别呢？
目前在人脸识别方向当之无愧的老大是深度学习中的卷积神经网络，DeepID取得了很好的效果，并且后续改进型网络结构被陆陆续续的提出。这类深度学习的方法是“端对端”的，“端对端”是一种很装的说法，它想表达的就是，上面说的几个步骤我用一个网络就全做好了，输入的是任意图像，直接得到分类或者验证结果。这类方法已经是当前的主流，自从xiaoou tan基于LFW数据集，在一定意义上取得了超越人类的识别能力，就注定了传统人脸识别方法的没落。深度学习是每个搞机器学习算法的童鞋的必经之路，我现在也再搞这个，以后会一篇一篇的详细和大家讨论。
635
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
