人臉識別各**參考
知乎乙個欄目：
首先介紹一下常用人臉檢測的常用資料庫：
fddb和wider face
fddb總共2845張影象，5171張，人臉非約束環境，人臉的難度較大，有面部表情，雙下巴，光照變化，穿戴，誇張髮型，遮擋等難點，是目標最常用的資料庫。有以下特點：
wider face：
wider face總共32203影象，393703標註人臉，目前難度最大，各種難點比較全面：尺度，姿態，遮擋，表情，化妝，光照等。有以下特點有：
1.ssd
這篇博文介紹了ssd跑自己資料的做法
ssd關鍵點分為兩類：模型結構和訓練方法。模型結構包括：多尺度特徵圖檢測網路結構和anchor boxes生成；訓練方法包括：ground truth預處理和損失函式。
文章的核心之一是作者同時採用lower和upper的feature map做檢測。假定有8×8和4×4兩種不同的feature map。第乙個概念是feature map cell，feature map cell 是指feature map中每乙個小格仔，假設分別有64和16個cell。另外有乙個概念：default box，是指在feature map的每個小格(cell)上都有一系列固定大小的box，如下圖有4個（下圖中的虛線框，仔細看格仔的中間有比格仔還小的乙個box）。假設每個feature map cell有k個default box，那麼對於每個default box都需要**c個類別score和4個offset，那麼如果乙個feature map的大小是m×n，也就是有m*n個feature map cell，那麼這個feature map就一共有（c+4）*k * m*n個輸出。這些輸出個數的含義是：採用3×3的卷積核對該層的feature map卷積時卷積核的個數，包含兩部分（實際code是分別用不同數量的3*3卷積核對該層feature map進行卷積）：數量ckmn是confidence輸出，表示每個default box的confidence，也就是類別的概率；數量4kmn是localization輸出，表示每個default box回歸後的座標）。訓練中還有乙個東西：prior box，是指實際中選擇的default box（每乙個feature map cell 不是k個default box都取）。也就是說default box是一種概念，prior box則是實際的選取。訓練中一張完整的送進網路獲得各個feature map，對於正樣本訓練來說，需要先將prior box與ground truth box做匹配，匹配成功說明這個prior box所包含的是個目標，但離完整目標的ground truth box還有段距離，訓練的目的是保證default box的分類confidence的同時將prior box盡可能回歸到ground truth box。 舉個列子：假設乙個訓練樣本中有2個ground truth box，所有的feature map中獲取的prior box一共有8732個。那個可能分別有10、20個prior box能分別與這2個ground truth box匹配上。訓練的損失包含定位損失和回歸損失兩部分。
ssd演算法的缺點：優勢是速度快，在gpu上能實時，缺點是對密集小目標的檢測比較差，而人臉剛好是密集小目標，這類方法的研究重點是提高密集小目標的檢測效能，同時速度也需要盡可能快，gpu實時演算法在應用中依然受限。
2.s3fd
github**：
這篇文章對anchor對小人臉檢測率低的問題進行了分析和改進。
基於anchor方法的缺點：
anchor-based方法沒有scale-invariant（尺度不變性）.對大物體檢測的好，對小物體不行。
沒有尺度不變性的原因：
改進：速度比較慢。
3.mtcnn
該演算法直接實現了人臉檢測和人臉對其。其結構是是三個cnn級聯：
p-net r-net o-net
主要是人臉landmark檢測
stage 1：使用p-net是乙個全卷積網路，用來生成候選窗和邊框回歸向量(bounding box regression vectors)。使用bounding box regression的方法來校正這些候選窗，使用非極大值抑制（nms）合併重疊的候選框。全卷積網路和faster r-cnn中的rpn一脈相承。
stage 2：使用n-net改善候選窗。將通過p-net的候選窗輸入r-net中，拒絕掉大部分false的視窗，繼續使用bounding box regression和nms合併。
stage 3：最後使用o-net輸出最終的人臉框和特徵點位置。和第二步類似，但是不同的是生成5個特徵點位置。
該**實現了mtcnn人臉檢測部分：（最終結果為畫框）
該**實現了mtcnn python版本：（還沒跑過）
人臉檢測演算法
人臉識別各 參考 知乎乙個欄目 首先介紹一下常用人臉檢測的常用資料庫 每張影象的人臉數量偏少，平均1.8人臉 圖，絕大多數影象都只有一人臉 資料集完全公開，published methods通常都有 大部分都開源 且可以復現，可靠性高 unpublished methods沒有 沒有 無法確認它們的...
SSH人臉檢測演算法創新點
1 檢測模組，使用7 7和5 5的的視窗增加了特徵map之後的感受野 3 訓練的時候，只是用anchor layer,只是判斷一下anchors的的正負類，測試的時候，使用使用proposal layer,和faster相比，少了roi層，速度較快 4 可以使用對尺度的訓練方式，進一步的增加精度 5...
人臉活體檢測演算法設計
人臉活體驗證是人臉識別過程中重要的一環，主要用以區分真實人臉與假臉影象，能夠識別通過紙張列印 螢幕翻拍 3d模型等場景的欺騙行為。我們在演算法設計階段，嘗試了不同的方法，包括svm lbp 深度學習等，針對單一場景或者攝像頭，能夠得到不錯的效果，但是沒有得到乙個能夠適配多種攝像頭的活體演算法 我們將...