人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

點(diǎn)擊上方“小白學(xué)視覺”，選擇加"星標(biāo)"或“置頂”

重磅干貨，第一時(shí)間送達(dá)

現(xiàn)在打開谷*公司的搜索器，輸入 “face detect”，估計(jì)大家都能夠想到，都是五花八門的大牛文章，我是羨慕啊?。ㄒ?yàn)槔锩鏇]有我的一篇，我們實(shí)驗(yàn)室的原因，至今沒有讓我發(fā)一篇有點(diǎn)權(quán)威的文章，我接下來會(huì)寫4張4A紙的檢討，去自我檢討下為什么？-----藍(lán)姑）

原歸正傳，讓我開始說說人臉這個(gè)技術(shù)，真的是未來不可估計(jì)的IT技術(shù)，不知道未來會(huì)有多少企業(yè)為了這個(gè)技術(shù)潛心研究，現(xiàn)在就來看看最近的技術(shù)和未來的發(fā)展吧！

我先大概說下遇到的一些問題：

??圖像質(zhì)量

人臉識(shí)別系統(tǒng)的主要要求是期望高質(zhì)量的人臉圖像，而質(zhì)量好的圖像則在期望條件下被采集。圖像質(zhì)量對(duì)于提取圖像特征很重要，因此，即使是最好的識(shí)別算法也會(huì)受圖像質(zhì)量下降的影響；

??照明問題

同一張臉因照明變化而出現(xiàn)不同，照明可以徹底改變物體的外觀；

??姿勢(shì)變化

從正面獲取，姿勢(shì)變化會(huì)產(chǎn)生許多照片，姿態(tài)變化難以準(zhǔn)確識(shí)別人臉；

??面部形狀/紋理隨著時(shí)間推移的變化

有可能隨著時(shí)間的推移，臉的形狀和紋理可能會(huì)發(fā)生變化；

??相機(jī)與人臉的距離

如果圖像是從遠(yuǎn)處拍攝的，有時(shí)從較長(zhǎng)的距離捕獲的人臉將會(huì)遭遇質(zhì)量低劣和噪音的影響；

??遮擋

用戶臉部可能會(huì)遮擋，被其他人或物體（如眼鏡等）遮擋，在這種情況下很難識(shí)別這些采集的臉。

就先說這些問題吧，還有其他問題，讀者你可以自己再去總結(jié)一些，其實(shí)很easy！

在沒有DL出現(xiàn)之前，大家都是在用傳統(tǒng)的機(jī)器算法和統(tǒng)計(jì)學(xué)的算法來對(duì)以上問題進(jìn)行研究，仔細(xì)想想，大牛真的好厲害，能想出那么多經(jīng)典的算法，下面我先簡(jiǎn)單介紹幾個(gè)：

Adaboost人臉檢測(cè)算法，是基于積分圖、級(jí)聯(lián)檢測(cè)器和Adaboost算法的方法，該方法能夠檢測(cè)出正面人臉且檢測(cè)速度快。其核心思想是自動(dòng)從多個(gè)弱分類器的空間中挑選出若干個(gè)分類器，構(gòu)成一個(gè)分類能力很強(qiáng)的強(qiáng)分類器。

缺點(diǎn)：而在復(fù)雜背景中，AdaBoost人臉檢測(cè)算法容易受到復(fù)雜環(huán)境的影響，導(dǎo)致檢測(cè)結(jié)果并不穩(wěn)定，極易將類似人臉區(qū)域誤檢為人臉，誤檢率較高。?

基于特征的方法實(shí)質(zhì)就是利用人臉的等先驗(yàn)知識(shí)導(dǎo)出的規(guī)則進(jìn)行人臉檢測(cè)。

①　邊緣和形狀特征：人臉及人臉器官具有典型的邊緣和形狀特征，如人臉輪廓、眼瞼輪廓、虹膜輪廓、嘴唇輪廓等都可以近似為常見的幾何單元；

②　紋理特征：人臉具有特定的紋理特征，紋理是在圖上表現(xiàn)為灰度或顏色分布的某種規(guī)律性，這種規(guī)律性在不同類別的紋理中有其不同特點(diǎn)；

③　顏色特征：人臉的皮膚顏色是人臉表面最為顯著的特征之一，目前主要有RGB，HSV，YCbCr，YIQ，HIS等彩色空間模型被用來表示人臉的膚色，從而進(jìn)行基于顏色信息的人臉檢測(cè)方法的研究。

基于模板匹配的方法的思路就是通過計(jì)算人臉模板和待檢測(cè)圖像之間的相關(guān)性來實(shí)現(xiàn)人臉檢測(cè)功能的，按照人臉模型的類型可以分為兩種情況：

①　基于通用模板的方法，這種方法主要是使用人工定義的方法來給出人臉通用模板。對(duì)于待檢測(cè)的人臉圖像，分別計(jì)算眼睛，鼻子，嘴等特征同人臉模板的相關(guān)性，由相關(guān)性的大小來判斷是否存在人臉。通用模板匹配方法的優(yōu)點(diǎn)是算法簡(jiǎn)單，容易實(shí)現(xiàn)，但是它也有自身缺點(diǎn)，如模板的尺寸、大小、形狀不能進(jìn)行自適應(yīng)的變化，從而導(dǎo)致了這種方法適用范圍較窄；

②　基于可變形模板的方法，可變形模板法是對(duì)基于幾何特征和通用模板匹配方法的一種改進(jìn)。通過設(shè)計(jì)一個(gè)可變模型，利用監(jiān)測(cè)圖像的邊緣、波峰和波谷值構(gòu)造能量函數(shù)，當(dāng)能量函數(shù)取得最小值時(shí)，此時(shí)所對(duì)應(yīng)的模型的參數(shù)即為人臉面部的幾何特征。這種方法存在的不足之處在于能量函數(shù)在優(yōu)化時(shí)十分復(fù)雜，消耗時(shí)間較長(zhǎng)，并且能量函數(shù)中的各個(gè)加權(quán)系數(shù)都是靠經(jīng)驗(yàn)值確定的，在實(shí)際應(yīng)用中有一定的局限性。

基于統(tǒng)計(jì)理論的方法是指利用統(tǒng)計(jì)分析與機(jī)器學(xué)習(xí)的方法分別尋找人臉與非人臉樣本特征，利用這些特征構(gòu)建分類，使用分類進(jìn)行人臉檢測(cè)。它主要包括神經(jīng)網(wǎng)絡(luò)方法，支持向量機(jī)方法和隱馬爾可夫模型方法?；诮y(tǒng)計(jì)理論的方法是通過樣本學(xué)習(xí)而不是根據(jù)人們的直觀印象得到的表象規(guī)律，因此可以減小由于人眼觀測(cè)不完整和不精確帶來的錯(cuò)誤而不得不擴(kuò)大檢測(cè)的范圍，但是這種方法需要大量的統(tǒng)計(jì)特性，樣本訓(xùn)練費(fèi)時(shí)費(fèi)力。

以上也都是通過快速閱讀得到的一些結(jié)論，大部分都是直接引用文章作者的語句。其中在這些方法中，都有很多改進(jìn)，比如PCA+Adaboost，HMM等。

現(xiàn)在用傳統(tǒng)的技術(shù)已經(jīng)不能再有新的突破，所以現(xiàn)在流行了DL架構(gòu)，打破了人類的極限，又將檢測(cè)，識(shí)別，跟蹤等技術(shù)上升到另一個(gè)高度。

現(xiàn)在來簡(jiǎn)單講講最近幾年神經(jīng)網(wǎng)絡(luò)的牛X之處。

?

?

還有好多就不一一介紹了。在此推薦讀者你閱讀《Recent Advances in Face Detection》，分析的特別詳細(xì)，希望對(duì)大家有幫助，謝謝！

下面我來給大家提供一些公開的數(shù)據(jù)庫：

■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (http://www2.imm.dtu.dk/~aam/)
■AR Face Database (http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html)
■BioID Face Database (https://www.bioid.com/About/BioID-Face-Database)
■Caltech Computational Vision Group Archive (Cars, Motorcycles, Airplanes, Faces, Leaves, Background) (http://www.vision.caltech.edu/html-files/archive.html)
■Carnegie Mellon Image Database (motion, stereo, face, car, ...) (http://vasc.ri.cmu.edu/idb/)
■CAS-PEAL Face Database (http://www.jdl.ac.cn/peal/index.html)
■CMU Cohn-Kanade AU-Coded Facial Expression Database (http://www.ri.cmu.edu/projects/project_421.html
■CMU Face Detection Databases (http://www.ri.cmu.edu/projects/project_419.html)
■CMU Face Expression Database (http://amp.ece.cmu.edu/projects/FaceAuthentication/download.htm)
■CMU Face Pose, Illumination, and Expression (PIE) Database (http://www.ri.cmu.edu/projects/project_418.html)
■CMU VASC Image Database (motion, road sequences, stereo, CIL’s stereo data with ground truth, JISCT, face, face expressions, car) (CMU VASC Image Database)
■Content-based Image Retrieval Database (Index of /groundtruth)
■Face Video Database of the Max Planck Institute for Biological Cybernetics (Welcome)
■FERET Database (frvt.org)
■FERET Color Database (The Color FERET Databasehttp://face.nist.gov/colorferet/?)
■Georgia Tech Face Database (http://www.anefian.com/face_reco.htm)
■German Fingerspelling Database (http://www.anefian.com/face_reco.htm)
■Indian Face Database (http://http://www.cs.umass.edu/~vidit/IndianFaceDatabase)
■MIT-CBCL Car Database (Pedestrian Data)
■MIT-CBCL Face Recognition Database (CBCL FACE RECOGNITION DATABASE)
■MIT-CBCL Face Databases (CBCL SOFTWARE)
■MIT-CBCL Pedestrian Database (New Page 1)
■MIT-CBCL Street Scenes Database (CBCL StreetScenes Database Download Page:)
■NIST/Equinox Visible and Infrared Face Image Database (http://www.equinoxsensors.com/products/HID.html)
■NIST Fingerprint Data at Columbia (Link)
■ORL Database of Faces (The Database of Faces)
■Rutgers Skin Texture Database (http://www.caip.rutgers.edu/rutgers_texture/)
■The Japanese Female Facial Expression (JAFFE) Database (Japanese Female Facial Expression (JAFFE) Database
■The Ohio State University SAMPL Image Database (3D, still, motion) (http://sampl.ece.ohio-state.edu/database.htm)
■The University of Oulu Physics-Based Face Database (Center for Machine Vision and Signal Analysis)
■UMIST Face Database (http://images.ee.umist.ac.uk/danny/database.html)
■USF Range Image Data (with ground truth) (USF Range Image Database)
■Usenix Face Database (hundreds of images, several formats) (Link)
■UCI Machine Learning Repository (http://www1.ics.uci.edu/~mlearn/MLSummary.html)
■USC-SIPI Image Database?(collection of digitized images) (SIPI Image Database)
■UCD VALID Database (multimodal for still face, audio, and video) (VALID Database)
■UCD Color Face Image (UCFI) Database for Face Detection (http://ee.ucd.ie/~prag/)
■UCL M2VTS Multimodal Face Database (http://www.tele.ucl.ac.be/PROJECTS/M2VTS/m2fdb.html)
■Vision Image Archive at UMass (sequences, stereo, medical, indoor, outlook, road, underwater, aerial, satellite, space and more) (SIPI Image Database)
■Where can I find Lenna and other images? (comp.compression Frequently Asked Questions (part 1/3)Section - [55] Where can I find Lenna and other images?)
■Yale Face Database (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)
■Yale Face Database B (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)

最后我附上我近期做的效果圖，是基于視頻中人臉檢測(cè)與識(shí)別的，因?yàn)闆]有標(biāo)準(zhǔn)，公共的數(shù)據(jù)集，所以我就用室內(nèi)場(chǎng)景劇作為訓(xùn)練數(shù)據(jù)，最后的效果很不錯(cuò)，希望以后有同學(xué)做人臉的，我們可以一起討論，共同進(jìn)步，謝謝！

下載1：OpenCV-Contrib擴(kuò)展模塊中文版教程
在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：擴(kuò)展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴(kuò)展模塊教程中文版，涵蓋擴(kuò)展模塊安裝、SFM算法、立體視覺、目標(biāo)跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實(shí)戰(zhàn)項(xiàng)目52講
在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：Python視覺實(shí)戰(zhàn)項(xiàng)目，即可下載包括圖像分割、口罩檢測(cè)、車道線檢測(cè)、車輛計(jì)數(shù)、添加眼線、車牌識(shí)別、字符識(shí)別、情緒檢測(cè)、文本內(nèi)容提取、面部識(shí)別等31個(gè)視覺實(shí)戰(zhàn)項(xiàng)目，助力快速學(xué)校計(jì)算機(jī)視覺。

下載3：OpenCV實(shí)戰(zhàn)項(xiàng)目20講
在「小白學(xué)視覺」公眾號(hào)后臺(tái)回復(fù)：OpenCV實(shí)戰(zhàn)項(xiàng)目20講，即可下載含有20個(gè)基于OpenCV實(shí)現(xiàn)20個(gè)實(shí)戰(zhàn)項(xiàng)目，實(shí)現(xiàn)OpenCV學(xué)習(xí)進(jìn)階。

交流群

歡迎加入公眾號(hào)讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動(dòng)駕駛、計(jì)算攝影、檢測(cè)、分割、識(shí)別、醫(yī)學(xué)影像、GAN、算法競(jìng)賽等微信群（以后會(huì)逐漸細(xì)分），請(qǐng)掃描下面微信號(hào)加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請(qǐng)按照格式備注，否則不予通過。添加成功后會(huì)根據(jù)研究方向邀請(qǐng)進(jìn)入相關(guān)微信群。請(qǐng)勿在群內(nèi)發(fā)送廣告，否則會(huì)請(qǐng)出群，謝謝理解~