人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

本文作者： AI研習(xí)社

編輯：賈智龍

2017-04-29 19:42

導(dǎo)語：現(xiàn)在就來看看人臉識(shí)別最近的技術(shù)和未來的發(fā)展吧！

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?。。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)：

1) 基于 Adaboost 人臉檢測(cè)

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。

2) 基于特征的方法（引用 “Summary of face detection based on video”）

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。

3) 基于模板的方法

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。

4) 基于統(tǒng)計(jì)理論的方法

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。

1)Retinal Connected Neural Network (RCNN)

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

2)Rotation Invariant Neural Network (RINN)

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

3)Principal Component Analysis with ANN (PCA & ANN)

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

4)Evolutionary Optimization of Neural Networks

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

5)Multilayer Perceptron (MLP)

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

6) Gabor Wavelet Faces with ANN

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析

還有好多就不一一介紹看了（先進(jìn)的沒有介紹，因?yàn)橄氡卮蠹叶加虚喿x，所以。。。嘿嘿，相信大家通過大量閱讀一定已經(jīng)有了自己的想法，趕快去實(shí)現(xiàn)吧！）。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！

對(duì)了，現(xiàn)在不是因?yàn)閳D像中的人臉檢測(cè)，識(shí)別都已經(jīng)很出色了，很多團(tuán)隊(duì)都做到接近滿分了，所以現(xiàn)在來說說未來的趨勢(shì)，也許這已經(jīng)不算趨勢(shì)，因?yàn)楝F(xiàn)在已經(jīng)有很多人在這條路上摸爬打滾，而且有些團(tuán)隊(duì)也有一些成就，希望接下來大家在這領(lǐng)域都能取得好成就。加油?。?！

下面我來給大家提供一些公開的數(shù)據(jù)庫網(wǎng)址：

■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (Active Appearance Models)
■AR Face Database (http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html)
■BioID Face Database (BioID Face Database | facedb | BioID)
■Caltech Computational Vision Group Archive (Cars, Motorcycles, Airplanes, Faces, Leaves, Background) (Computational Vision: Archive)
■Carnegie Mellon Image Database (motion, stereo, face, car, ...) (CMU VASC Image Database)
■CAS-PEAL Face Database (The PEAL Face Database)
■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://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！

人臉檢測(cè)與識(shí)別的趨勢(shì)和分析