人脸识别实战

人脸业务场景综述

生物信息识别

重要的研究方向

生物特征

人脸，手性，指纹，虹膜，视网膜，脉搏，耳廓等

行为特征

姿态识别等行为

人脸业务场景

人脸检测问题

检测出图像中人脸所在位置的一项技术
人脸问题的基础提供支撑

主要问题

姿态和表情的变化
不同人的外观差异
光照、遮挡、视角
不同大小、位置

人脸对齐问题

定位出人脸五官等及关键点坐标的一项技术
人脸美颜、活体检测等基础

主要问题

人脸外观差异
角度、姿态、遮挡等问题
实时性
稠密关键点（>68点）

人脸属性问题

识别出人脸的性别、年龄、姿态、表情等属性值的一项技术
人脸分析的基础

主要问题

人脸外观的差异
角度、姿态、遮挡等问题

人脸比对问题

计算两个人脸人脸之间的相似度
人脸验证、人脸识别、人脸检索、人脸聚类等
人脸验证：两张脸进行比对
人脸识别：对当前人脸的身份判断，根据数据库进行判断
人脸检索：输入人脸后，对人脸相似度排序
人脸聚类：对相同相似度的人脸进行分类

其他人脸业务场景

人脸活体检测
面向分析
明星脸匹配
人脸美妆、美颜
豆豆、皱纹检测
情绪识别
颜值评分
人脸生成
人脸风格化
人脸换脸

人脸业务流程

人脸资源——相关数据集

人脸检测——相关厂商

人脸检测业务实战

人脸检测

什么是人脸检测问题？

目标检测的一种，因此可以引用到其他的领域检测（交通，自然等）
找出图中的人脸（二分类），并且标记

一般矩形框有三种标记方式：
1.（x,y,w,h):做左上角的x,y坐标，以及矩形框的宽和高。
2.（x1,y1,x2,y2):分别对应左上角以及右下角两个点的坐标。
3.（x,y,w,h):做中心点的x,y坐标，以及矩形框的宽和高。

人脸标注方法

人脸检测性能评价指标

检测率、误报率

假设检测人脸为100张，则检测出120个目标，这之中80个正确，40个错误，则检测率为80/100，误报率为40/120.

每一个标记值允许有一个检测与之相对应
重复检测会被视为错误检测

ROC曲线，PR曲线

通过对各不同的阈值，在通过这些值绘出曲线

速度：FPS

IOU

p,n：当前的样本中的正负样本数量
y,n：预测的结果，预测的正负样本数量

人脸检测方法介绍

传统的人脸检测方法

从粗粒度到细粒度的级联模型（deep learning)

人脸检测问题挑战

1.人脸可能出现在图像的任何一个位置
2.人脸可能有不同的大小
3.人脸在图像中可能会有不同的视角和姿态
4.人脸部分被遮挡