人臉檢測與識別的趨勢和分析

6

遮擋： 使用者臉部可能會遮擋，被其他人或物體（如眼鏡等）遮擋，在這種情況下很難識別這些採集的臉。

Deep Learning還沒有 出現之前，大家都是在用傳統機器學習演算法和統計學演算法來對以上問題進行研究，仔細想想，真的好厲害，能想出那麼多經典的演算法，下面我先簡單介紹幾個：

基於 Adaboost 人臉檢測

Adaboost 人臉檢測演算法，是基於積分圖、級聯檢測器和 Adaboost 演算法的方法，該方法能夠檢測出正面人臉且檢測速度快。其核心思想是自動從多個弱分類器的空間中挑選出若干個分類器，構成一個分類能力很強的強分類器。

• 缺點： 而在複雜背景中， AdaBoost 人臉檢測演算法容易受到複雜環境的影響，導致檢測結果並不穩定，極易將類似人臉區域誤檢為人臉，誤檢率較高。

基於 特徵方法的 人臉檢測

基於特徵的方法實質就是利用人臉的等先驗知識匯出的規則進行人臉檢測。

① 邊緣和形狀特徵：人臉及人臉器官具有典型的邊緣和形狀特徵，如人臉輪廓、眼瞼輪廓、虹膜輪廓、嘴脣輪廓等都可以近似為常見的幾何單元；

② 紋理特徵：人臉具有特定的紋理特徵，紋理是在圖上表現為灰度或顏色分佈的某種規律性，這種規律性在不同類別的紋理中有其不同特點；

③ 顏色特徵：人臉的面板顏色是人臉表面最為顯著的特徵之一，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，從而進行基於顏色資訊的人臉檢測方法的研究。

基於模板匹配的方法的思路就是通過計算人臉模板和待檢測影象之間的相關性來實現人臉檢測功能的，按照人臉模型的型別可以分為兩種情況：

① 基於通用模板的方法，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。對於待檢測的人臉影象，分別計算眼睛，鼻子，嘴等特徵同人臉模板的相關性，由相關性的大小來判斷是否存在人臉。通用模板匹配方法的優點是演算法簡單，容易實現，但是它也有自身缺點，如模板的尺寸、大小、形狀不能進行自適應的變化，從而導致了這種方法適用範圍較窄；

② 基於可變形模板的方法，可變形模板法是對基於幾何特徵和通用模板匹配方法的一種改進。通過設計一個可變模型，利用監測影象的邊緣、波峰和波谷值構造能量函式，當能量函式取得最小值時，此時所對應的模型的引數即為人臉面部的幾何特徵。這種方法存在的不足之處在於能量函式在優化時十分複雜，消耗時間較長，並且能量函式中的各個加權係數都是靠經驗值確定的，在實際應用中有一定的侷限性。

基於統計理論的方法是指利用統計分析與機器學習的方法分別尋找人臉與非人臉樣本特徵，利用這些特徵構建分類，使用分類進行人臉檢測。它主要包括神經網路方法，支援向量機方法和隱馬爾可夫模型方法。基於統計理論的方法是通過樣本學習而不是根據人們的直觀印象得到的表象規律，因此可以減小由於人眼觀測不完整和不精確帶來的錯誤而不得不擴大檢測的範圍，但是這種方法需要大量的統計特性，樣本訓練費時費力。

現在用傳統的技術已經不能再有新的突破，所以現在流行了DL架構，打破了人類的極限，又將檢測，識別，跟蹤等技術上升到另一個高度。

現在來簡單講講最近幾年神經網路的牛X之處。

Retinal Connected Neural Network (RCNN) 

Rotation Invariant Neural Network (RINN) 

Principal Component Analysis with ANN (PCA & ANN)

Evolutionary Optimization of Neural Networks

Multilayer Perceptron (MLP)

Gabor Wavelet Faces with ANN 

還有好多就不一一陳述了（近幾年比較主流的網路框架沒有詳細介紹，因為想必大家都有閱讀，所以相信大家通過大量閱讀一定已經有了自己的想法，趕快去實現吧！）。

在此推薦讀者你閱讀《Recent Advances in Face Detection》，分析的特別詳細，希望對大家有幫助，謝謝！