一.人臉業務場景綜述
（1）生物資訊識別
人臉是生物資訊識別鄰域重要研究方向之一，生物資訊識別領域主要包括兩大方面：生物特徵和行為特徵。人臉識別是屬於生物特徵非常重要的研究內容。行為特徵主要包括了姿態的識別，手勢的識別，步態的識別等和人的行為模式的識別。
生物特徵有手形，指紋，臉型，虹膜，視網膜，脈搏，耳廓等
生物識別技術：基因識別，手形識別，面部識別，掌紋識別，指紋識別，虹膜識別
（2）人臉業務場景
1.人臉檢測
檢測出影象中人臉所在位置的一項技術，為我們人臉業務提供基礎技術支撐。
人臉檢測面臨的挑戰：
.姿態和表情的變化
.不同人的外觀差異
.光照，遮擋，視角
.不同大小，位置
2.人臉關鍵點
定位出人臉上五官等關鍵點座標的一項技術，人臉美顏，活體檢測等基礎
人臉關鍵點的挑戰：
.人臉外觀差異
.角度，姿態，遮擋等問題
.實時性要求高
.稠密關鍵點（>68點）
3.人臉屬性
識別出人臉的性別，年齡，姿態，表情等屬性值的一項技術，人臉分析的基礎
人臉屬性的挑戰：
.人臉外觀差異
.角度.姿態，遮擋等問題
4.人臉對比
計算兩個人臉之間的相似度，人臉驗證（判斷人臉是否為同一人），人臉識別（對當前人臉身份進行判斷），人臉檢索（對輸入的人臉影象與資料庫的人臉相似度的排序），人臉聚類（根據人臉相似度，對人臉組織進行分類）的基礎
5.其他人臉業務場景
人臉活體檢測，；面相分析；明星臉匹配；人臉美妝，美顏；痘痘，皺紋檢測；情緒識別；顏值評分；人臉生成；人臉風格化；人臉換臉。
二.人臉業務流程
資料採集->資料預處理->特徵提取->模型構建->模型應用->模型評估
人臉採集問題：1.不同性別分布2.不同年齡分布3.不同人種分布4.不同臉型分布5.人臉沒有正對攝像頭，角度傾斜6.清晰與不清晰**7.單張人臉，多張人臉8.測試所處的環境，光線變化9.不同場景：室內，室外，車站，超市等
三.人臉資源-----相關資料集
1.pubfig:public figures face database
2.large-scale celebfaces attributes(celeba)dataset
3.colorferet
4.multi-task facial landmark(mtfl)dataset
5.bioid face database - facedb
6.labeled faces in the wild home(lfw)
7.person identification in tv series
8.cmuvasc&pie face dataset
9.youtube faces
10.wider-face
11.megaface
12.casia-facev5
13.the cnbc face database
14.casia-3d facev1
15.imdb-wiki
16.fddb
17.caltech人臉資料庫
18.the japanse female facial expression(jaffe)database
19.四.人臉資源 --相關廠商（能夠提供人臉業務相關的介面）
下面列出幾家著名的公司，在人臉業務方面都屬於國內外都比較頂尖的水平。
1.face++曠視
3.商湯
5.迅飛開放平台
6.linkface
7.tuputech
五.人臉檢測問題
人臉的位置，我們是通過乙個矩形框來表示的，標註出人臉區域的位置資訊。對於矩形，我們通過[x,y,w,h]進行表示，x,y表示左上角的座標，wh表示寬和高。也可以用[x1,y1,x2,y2]來表示矩形，分別表示左上角和右下角的座標。
人臉檢測的目的就是區分人臉和背景，屬於二分類。
人臉標註方法：1.通過矩形框標註人臉的位置2.橢圓形進行標註（中心點座標，長軸和短軸的長度，傾斜角）
人臉檢測效能評價指標：
1.檢測率（正確檢測/真實人臉），誤報率（錯誤檢測/總共檢測）
.每個標籤只允許有乙個檢測與之相對應.重複檢測會被是視為錯誤檢測
2.roc曲線,pr曲線
3.速度:fps(1秒中內能夠處理多少張）
4.iou（越大越好，a為檢測框，b為真實人臉）
a與b的交集/a與b的並集
5.準確度和召回率
p是指當前的樣本中正樣本的數量 y是**為正樣本的數量
n是指當前的樣本中負樣本的數量 n是**為負樣本的數量
true positives 對於正樣本**為正樣本的數量 false positives 對於負樣本**為正樣本的數量
false negatives對於正樣本**為負樣本的數量 true negatives對於負樣本**為負樣本的數量
分類正確的樣本數量=tp+tn
accuracy=tp+tn/p+n
（1）對於pr曲線，我們需要計算precision和recall
在iou閾值固定時，pr只是乙個值，通過多組閾值，就可以畫出pr曲線
（2）對於roc曲線，我們需要計算tp rate（縱座標） 和fp rate（橫座標），前提是當前中只有乙個人臉（fddb資料集）
（3）ap：計算出當前曲線同坐標軸包圍的區域，通常採取11個取樣點的平均精度值來代替ap值
六.人臉檢測方法介紹
1.傳統的人臉檢測方法
（1）vj框架（haar-like積分圖特徵,分析紋理特徵，轉化為統計直方圖來表示這個區域的特徵向量；然後將特徵向量輸入到分類器adaboost中，最後經過nms進行篩選)
缺點：進行候選框提取的時候，需要提取出非常多的候選框，需要很大的計算量
（2）dpm（對hog演算法進行改進，用svm作為分類器）
（3)casecadet(通過構造多個分類器，對人臉檢測採用分級的方式，每一級對檢測出的人臉進行篩選）
2.從粗粒度到細粒度的級聯模型
（1）cascade cnn
採用尺度級聯（伴隨輸入的大小由12*12->24*24->48*48不斷增大，我們檢測到的人臉精度也就越來越高）
（2）faceness-net
人臉部件+人臉區域
（3）mtcnn/icc-cnn/hype***ce
人臉+關鍵點多工
3.通用目標檢測演算法+基於人臉問題的優化
通用目標檢測演算法發展歷程：
人臉檢測演算法：
七.人臉檢測問題挑戰及解決思路
1.人臉可能出現在影象中的任何乙個位置
2.人臉可能有不同的大小
3.人臉在影象中可能有不同的視角和姿態
4.人臉可能部分被遮擋
小人臉檢測問題：
1.下取樣倍率很大，人臉區域基本消失（採用尺度不敏感/多尺度的策略）
2.相對於感受野和anchor的尺寸來說，人臉的尺寸太小
3.anchor匹配策略（iou小且變化敏感）（改變iou計算方法）
4.正負樣本比例失衡
(利用難例挖掘提高小人臉的準確度，加入更好的loss,標籤的平滑，資料增強，採用上下文資訊）
計算機視覺之人臉學習（一）
一.深度學習的基本概念 1.卷積神經網的思維導圖 2.深度學習的發展歷程 三起兩落 1943年，人工神經網路 沒有得到重視 1957年，感知器模型 解決常見的線性分類和線性回歸的任務，但沒有辦法解決異或問題 1980年，多層感知器 解決單層感知機的問題，但沒辦法解決網路引數的計算問題 1986年，反...
計算機視覺 opencv人臉識別
import cv2 步驟1 載入影象 gray cv2.cvtcolor img cv2.color bgr2gray 將影象轉換成灰度模式 opencv載入影象的方式是bgr cv2.imshow test gray cv2.waitkey 0 為什麼不直接在載入影象的時候指定灰度影象？而是要轉...
計算機視覺 人臉檢測與識別
長文乾貨！走近人臉檢測 從 vj 到深度學習 上 長文乾貨！走近人臉檢測 從vj到深度學習 下 caffe實踐 基於caffe的人臉檢測實現 人臉檢測 ddfd 人臉檢測 cascadecnn cascadecnn人臉檢測學習筆記 python批量預處理 cascadecnn訓練前期預處理 casc...