轉載自：http://blog.csdn.net/xzzppp/article/details/74939823

一、人臉關鍵點檢測資料庫

（2001年釋出）BioID ：約1000幅影象,每個人臉標定20個關鍵點。


https://www.bioid.com/About/BioID-Face-Database
（2011年釋出）LFPW：1132幅影象,每個人臉標定29個關鍵點


http://neerajkumar.org/databases/lfpw/
（2011年釋出）AFLW：25993幅影象,每個人標定21個關鍵點


https://lrs.icg.tugraz.at/research/aflw/


（2013年釋出）COFW：1852幅影象,每個人臉標定29個關鍵點


http://www.vision.caltech.edu/xpburgos/


（2014年釋出）ICCV13/MVFW ：2500幅影象,每個人臉標定68個關鍵點


https://sites.google.com/site/junliangxing/codes


（2014年釋出）OCFW： 3837幅影象,每個人臉標定68個關鍵點


https://sites.google.com/site/junliangxing/codes


（2016年釋出）300-W ：600幅影象,每個人標定68個關鍵點


http://ibug.doc.ic.ac.uk/resources/300-W_IMAVIS/

    LFW：http://vis-www.cs.umass.edu/lfw/

（2013年釋出）HELEN：348幅影象,每個人標定29個關鍵點

http://www.f-zhou.com/fa_code.html

（2015年釋出）CelebA：10177個人,共202599幅人臉影象，每個人5個關鍵點
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

二、人臉關鍵點檢測最新方法調研

1、TCDCN：Learning and Transferring Multi-task Deep Representation for Face Alignment，2014
速度:1.5ms on GTX760,17ms on inter core i5 cpu。  精度：IBUG資料集上9.15%error，優於LBF的11.98%；AFLW資料集上優於cascade CNN；300-W資料集上優於LBF，對難樣本效果更好。 CNN卷積神經網路方法。


2、LBF：Face alignment at 3000 fps via regressing local binary features， 2014
速度：PC上至少300fps，最快3000fps。  精度：LFPW資料集error=3.35%，helen資料集達到5.41%； 300-w資料集一般圖片error=4.95%，難圖片11.98%，處理簡單樣本效果更好。比一些2013年前較差方法好。   傳統方法，決策樹。


3、cascade CNN：Deep Convolutional Network Cascade for Facial Point Detection，2013
速度：CPU上0.12s，在gtx1070測試8ms左右。  精度：BioID、LFPW資料集上與2012年之前的方法做對比，沒有與最新方法比，測試效果一般。CNN級聯結構。


4、MCSR（目前300-w排名第一）：M3 CSR: Multi-view, multi-scale and multi-component cascade，2016
速度：within 50ms on i7 CPU。  精度：IBUG資料集上5.65%，優於TCDCN的9.15%error，優於LBF的11.98%；


5、（目前300-w排名第二）Approaching human level facial landmark localization by deep learning，2016
速度：0.5s on i7 cpu。  精度：在300-w資料集上error:common=3.43,challenge=5.72,full=3.88，明顯優於TCDCN、LBF。 CNN級聯結構。


6、MDM：Mnemonic Descent Method:A recurrent process applied for end-to-end face alignment， 2016
速度：不詳。    精度：300W資料集上，threshold=0.08時，51點error=4.2%，68點error=6.8%。 效果優於Face++,yan et al,CFSS。    CNN+RNN 深度學習方法


7、Face++：Extensive facial landmark localization with coarse-to-fine convolutional network cascade，2013
速度：不詳。    精度：300-w資料集上，threshold=0.08時，51點error=5%，68點error=8%，沒有與其他方法對比，此方法效果稍微差點。


8、CFSS：Face Alignment by Coarse-to-Fine Shape Searching， 2015
速度：25fps on i5 cpu。    精度：在300w資料集上，效果優於LBF和2013年之前的很多方法。在LFPW，Helen資料集上比較結果類似。    傳統方法


9、Unconstrained Face Alignment via Cascaded Compositional Learning，2016

速度：PC上cpu實現350FPS。    精度：AFLW上優於CFSS，LBF。  使用決策樹。


10、DRDA：Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders

速度：不詳。      精度：IBUG資料集上，和很多較差方法做對比，效果稍微優於LBF，和我上訴總結的方法沒有對比。

11、Wing Loss for RobustFacial Landmark Localisation with Convolutional Neural Networks.

速度：cpu 100/15/5 FPS  精度： 300w，common: 3.27,challenge: 7.18, Full: 4.04