点击上方“”，选择加""或“”
重磅干货，第一时间送达
现在打开谷*公司搜索器，输入 “face detect估计大家都能想到，都是各种各样的大牛文章，我很羡慕！(因为里面没有我的文章，我们实验室没有让我发一篇有点权威的文章，接下来我会写四篇。A为什么要检讨纸质？-蓝姑)
原归正传，让我开始谈谈人脸的技术，真的是未来不可估量的IT我不知道未来会有多少企业专注于这项技术。现在让我们来看看最近的技术和未来的发展！
先说一些遇到的问题:
?图像质量
人脸识别系统的主要要求是预期高质量的人脸图像，而在预期条件下收集高质量的图像。图像质量对提取图像特征非常重要，因此即使是最好的识别算法也会受到图像质量下降的影响；
?照明问题
同一张脸因照明变化而不同，照明可以完全改变物体的外观；
?姿势变化
从正面获取，姿势变化会产生很多照片，很难准确识别人脸；
?随着时间的推移，面部形状/纹理会发生变化
随着时间的推移，脸的形状和纹理可能会发生变化；
?相机与人脸的距离
如果图像是从远处拍摄的，有时从长距离捕获的人脸会受到质量差和噪音的影响；
?遮挡
用户脸部可能会遮挡，被其他人或物体（如眼镜等）遮挡，在这种情况下很难识别这些采集的脸。
让我们先谈谈这些问题。还有其他问题。读者可以自己总结一些。事实上，这是非常重要的easy！
在没有DL在它出现之前，每个人都在使用传统的机器算法和统计算法来研究上述问题。仔细想想，牛真的很强大，能想出这么多经典算法，下面我将简要介绍几个：
Adaboost基于积分图、级联检测器和Adaboost算法方法，该方法可以检测正面人脸，检测速度快。其核心思想是自动从多个弱分类器的空间中选择多个分类器，形成分类能力强的强分类器。
缺点：在复杂的背景下，AdaBoost人脸检测算法容易受到复杂环境的影响，导致检测结果不稳定，容易将类似人脸区域误检为人脸，误检率高。
基于特征的方法本质上是利用人脸等先验知识导出的规则进行人脸检测。
① ：人脸及人脸器官具有典型的边缘和形状特征，如人脸轮廓、眼睑轮廓、虹膜轮廓、嘴唇轮廓等都可以近似为常见的几何单元；
② ：人脸具有特定的纹理特征，纹理是灰度或颜色分布的一定规律，在不同类别的纹理中具有不同的特征；
③ ：人脸的肤色是人脸表面最显著的特征之一，目前主要有RGB，HSV，YCbCr，YIQ，HIS等待彩色空间模型用于表示人脸的肤色，从而研究基于颜色信息的人脸检测方法。
基于模板匹配的理念是通过计算人脸模板与待检测图像之间的相关性来实现人脸检测功能。根据人脸模型的类型，可分为两种情况：
① ，这种方法主要是使用人工定义的方法来给出一个通用的面部模板。对于需要测试的人脸图像，计算眼睛、鼻子、嘴等特征与人脸模板的相关性，并通过相关性的大小来判断是否有人脸。通用模板匹配方法的优点是算法简单易于实现，但也有自身的缺点，如模板的尺寸、尺寸和形状不能自适应变化，导致该方法应用范围狭窄；
② ，变形模板法是基于几何特性和一般模板匹配方法的改进。通过设计可变模型，利用监测图像的边缘、峰值和谷值构建能量函数。当能量函数达到最小值时，相应模型的参数是面部的几何特征。该方法的缺点是能量函数优化非常复杂，耗时较长，能量函数中的每个加权系数都取决于经验值，在实际应用中有一定的局限性。
基于统计理论的方法是利用统计分析和机器学习的方法分别找到人脸和非人脸样本的特征，利用这些特征进行人脸检测。它主要包括支持向量机和隐马尔可夫模型的神经网络方法。基于统计理论的方法是通过样本学习而不是根据人们的直观印象获得的外观规律，从而减少人眼观测不完整和不准确造成的错误，扩大检测范围。然而，这种方法需要大量的统计特性，样本训练费时费力。
以上也是通过快速阅读得出的结论，其中大部分是直接引用文章作者的句子。在这些方法中，有许多改进，如PCA Adaboost，HMM等。
现在传统技术不能再有新的突破，所以现在很流行DL架构打破了人类的极限，将检测、识别、跟踪等技术提升到了另一个高度。
现在让我们简单谈谈近几年来的简短讲近几年来。
还有很多就不一一介绍了。这里推荐读者阅读《》，分析特别详细，希望对大家有所帮助，谢谢！
下面给大家提供一些：
■Annotated Database (Hand, Meat, LV Cardiac, IMM face) (http://www2.imm.dtu.dk/~aam/)■AR Face Database (http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html)■BioID Face Database (https://www.bioid.com/About/BioID-Face-Database)■Caltech Computational Vision Group Archive (Cars, Motorcycles, Airplanes, Faces, Leaves, Background) (http://www.vision.caltech.edu/html-files/archive.html)■Carnegie Mellon Image Database (motion, stereo, face, car, ...) (http://vasc.ri.cmu.edu/idb/)■CAS-PEAL Face Database (http://www.jdl.ac.cn/peal/index.html)■CMU Cohn-Kanade AU-Coded Facial Expression Database (http://www.ri.cmu.edu/projects/project_421.html■CMU Face Detection Databases (http://www.ri.cmu.edu/projects/project_419.html)■CMU Face Expression Database (http://amp.ece.cmu.edu/projects/FaceAuthentication/download.htm)■CMU Face Pose, Illumination, and Expression (PIE) Database (http://www.ri.cmu.edu/projects/project_418.html)■CMU VASC Image Database (motion, road sequences, stereo, CIL’s stereo data with ground truth, JISCT, face, face expressions, car) (CMU VASC Image Database)■Content-based Image Retrieval Database (Index of /groundtruth)■Face Video Database of the Max Planck Institute for Biological Cbernetics (Welcome)■FERET Database (frvt.org)■FERET Color Database (The Color FERET Databasehttp://face.nist.gov/colorferet/ )■Georgia Tech Face Database (http://www.anefian.com/face_reco.htm)■German Fingerspelling Database (http://www.anefian.com/face_reco.htm)■Indian Face Database (http://http://www.cs.umass.edu/~vidit/IndianFaceDatabase)■MIT-CBCL Car Database (Pedestrian Data)■MIT-CBCL Face Recognition Database (CBCL FACE RECOGNITION DATABASE)■MIT-CBCL Face Databases (CBCL SOFTWARE)■MIT-CBCL Pedestrian Database (New Page 1)■MIT-CBCL Street Scenes Database (CBCL StreetScenes Database Download Page:)■NIST/Equinox Visible and Infrared Face Image Database (http://www.equinoxsensors.com/products/HID.html)■NIST Fingerprint Data at Columbia (Link)■ORL Database of Faces (The Database of Faces)■Rutgers Skin Texture Database (http://www.caip.rutgers.edu/rutgers_texture/)■The Japanese Female Facial Expression (JAFFE) Database (Japanese Female Facial Expression (JAFFE) Database■The Ohio State University SAMPL Image Database (3D, still, motion) (http://sampl.ece.ohio-state.edu/database.htm)■The University of Oulu Physics-Based Face Database (Center for Machine Vision and Signal Analysis)■UMIST Face Database (http://images.ee.umist.ac.uk/danny/database.html)■USF Range Image Data (with ground truth) (USF Range Image Database)■Usenix Face Database (hundreds of images, several formats) (Link)■UCI Machine Learning Repository (http://www1.ics.uci.edu/~mlearn/MLSummary.html)■USC-SIPI Image Database (collection of digitized images) (SIPI Image Database)■UCD VALID Database (multimodal for still face, audio, and video) (VALID Database)■UCD Color Face Image (UCFI) Database for Face Detection (http://ee.ucd.ie/~prag/)■UCL M2VTS Multimodal Face Database (http://www.tele.ucl.ac.be/PROJECTS/M2VTS/m2fdb.html)■Vision Image Archive at UMass (sequences, stereo, medical, indoor, outlook, road, underwater, aerial, satellite, space and more) (SIPI Image Database)■Where can I find Lenna and other images? (comp.compression Frequently Asked Questions (part 1/3)Section - [55] Where can I find Lenna and other images?)■Yale Face Database (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)■Yale Face Database B (http://cvc.yale.edu/projects/yalefaces/yalefaces.html)
最后我附上我近期做的效果图，是基于视频中人脸检测与识别的，因为没有标准，公共的数据集，所以我就用室内场景剧作为训练数据，最后的效果很不错，希望以后有同学做人脸的，我们可以一起讨论，共同进步，谢谢！
开始面向外开放啦👇👇👇
下载1：OpenCV-Contrib扩展模块中文版教程
在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。
下载2：Python视觉实战项目52讲
在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。
下载3：OpenCV实战项目20讲
在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。
交流群
欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~