• 人脸检测 detection->location->tracking
• 人脸表征 representation
• 人脸识别 recognition

对于挑选出来的框,采用rcnn等方法引入一个阈值,而后进行判断是否为人脸

• 神经网络
• SVM Osuan
• Adaboost VJ : 特征值=白块-黑块
  • Gentle: 添加自适应牛顿法,拟合加性logistic模型

原始阶段

1. 人脸识别最初是按
   1. 可视特征,可视特征: 几何特征/纹理特征(SGLD)/颜色特征(很多种颜色)
   2. 规则定义,通用模板匹配:计算轮廓,眼睛,鼻子//Craw正面/Leung五点
2. 对于相片光照有MLV,RLI两种处理方式
3. 机器学习参与为聚类方法
   1. 划分: k-means, k-medoids, CLARANS
   2. 层次hierarchical method : 合并和分解
   3. 密度density-based method: DB-SCAN
   4. 网格grid-based : STING,CLIQUE,WAVE-CLUSTER
   5. 模型聚类

VJ方法

1. 原始是按金字塔型(区别于树型,叔叔可以有边连接),进行滑动窗口范式

   1. 选择图像上的某个（矩形）区域作为一个观察窗口；
   2. 在选定的窗口中提取一些特征对其包含的图像区域进行描述；
   3. 根据特征描述来判断这个窗口是不是正好框住了一张人脸。

2. 为了提升效率,将图像缩放到不同的大小，然后用相同大小的窗口去扫描

3. VJ方法使用三大优化,提升效率

   1. 特征的快速计算方法——积分图

      • Haar特征反映了局部区域之间的相对明暗关系
      • 之后衍生出来各式各样的Haar特征,其中三点,四点各有实际用途

   2. 有效的分类器学习方法——AdaBoost

      采用AdaBoost方法由弱分类器构建强分类器，这是一个顺序执行的过程，换言之，一旦一个弱分类器被选中，其就必定会成为强分类器的组成部分，不允许反悔，这其实是假设增加弱分类器一定会使得强分类器的分类准确度更高，但是，这个假设并不总是成立。[贪心]基于这样的想法，出现了允许回溯的FloatBoost方法。

   3. 以及高效的分类策略——级联结构的设计

4. 发展

   1. LBP特征是一种二值编码特征，其直接基于像素灰度值进行计算，特点是在编码时考虑的是两个值的相对大小，并且按照一定的空间结构来进行编码，局部组合二值特征就是在LBP特征的启发下设计的；
   2. 简化的SURF特征是一种和Haar特征相类似的特征，但是其计算的是局部区域中像素点的梯度和，并在求和的过程中考虑了梯度方向
   3. HOG特征也是一种基于梯度的特征，其对一个局部区域内不同方向的梯度进行统计，计算梯度直方图来表示这个区域。

   ​

难点

旋转/遮挡

旋转通常采用分治的策略(周志华)

对遮挡的鲁棒性——Deepid2+

Rcnn

Selective Search方法先基于各种颜色特征将图像划分为多个小块，然后自底向上地对不同的块进行合并

用R-CNN进行目标检测的流程是：先采用如 Selective Search等方法生成候选窗口，然后用学习好的CNN提取候选窗口对应的特征，接着训练分类器基于提取的特征对候选窗口进行分类，最后对判别为人脸的窗口采用边框回归进行修正。

全连接层的坏处就在于其会破坏图像的空间结构

深度学习方法有很多，如：自动编码器、稀疏自动编码器、受限波尔兹曼机（RBM）、深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆递归网络（LSTM）等。

Models

参考图片(来自网络,侵删)

matlab自带

人脸识别

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

%To detect Face  
FDetect = vision.CascadeObjectDetector();

%Read the input image
I = imread('E:6.jpg');

%Returns Bounding Box values based on number of objects
face_dtect = step(FDetect,I);

figure(1),
imshow(I); hold on
for i = 1:size(face_dtect,1)
    rectangle('Position',face_dtect(i,:),'LineWidth',5,'LineStyle','-','EdgeColor','m');
end
title('Face Detection');
hold off;

人眼识别

效果其实挺不错,不过对于眼镜扑街了.

把这一句加一个属性

1
2

%To detect Face  
FDetect = vision.CascadeObjectDetector('EyePairBig');

opencv

<>中windows可执行程序

python版本图片太大泰坦显卡都没imshow出来…….

人脸验证

• PCA降维+LDA获取类间差值

  • Fisher
  • 2dPCA,CSLDA

• Gabor变换+SVM

• SIFT特征:连连看

• LBP特征: 纹理 ~中值滤波器,高斯滤波器,DOG

  ​

思考

对于服装属性而言,通过成熟的人脸去画bb其实是有一定可行性的.但是对比而言有相同或是进一步的困难

1. 在初期人脸是需要干净环境(受限/部分受限),服装需求度可能更大,因为服饰和背景相比更近
2. 现有的工业化,港中文等高校的人脸高精度框架没有开源,开源代码除了opencv自带的之外并不好配置,然而opencv对于倾斜度大于15’的图片识别不出来..
3. 隐形马尔科夫模型也是可以借鉴的一个点,人脸识别中一层一层走的,集体照中可以一排一排推
4. 但是可以借鉴的是模型select search+RCNN,交替网络方法
   • Haar算子识别边缘信息这一点十分有用
   • 下一周可能开始折腾caffe

Reference

• 从VJ到深度学习
• matlab自带的分类器对人脸、鼻子、嘴进行检测
• <>示例源代码
• python-opencv2人脸检测

• 人脸自动机器识别 科学出版社

• 人脸识别与人体动作识别技术及应用 中国工信出版集团

  ​

  readmore:

  15整理