Python微信订餐小程序课程视频

https://edu.csdn.net/course/detail/36074

Python实战量化交易理财系统

https://edu.csdn.net/course/detail/35475

01 人脸技术的应用

人脸硬件产品：考勤支付，安防监控，医疗美容
人脸软件产品：各类娱乐软件，如美图秀秀

02 人脸图像算法及其研究方向

人脸检测核心算法

目的：检测图像中是否存在人脸

人脸检测是目标检测的分支，通用的目标检测方法都可以用来做人脸检测
人脸检测的独特模型：

1. 级联模型： 由粗到精，不断去掉假的人脸
   
2. 多任务模型 ：同时完成人脸关键点标注和人脸检测两个任务
   [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ssEg2DtD-1645809250799)(https://img2022.cnblogs.com/blog/2742224/202202/2742224-20220225144928964-1326610503.png)]
3. 多尺度模型：对应于目标检测中的多尺度问题，一张图片中有多种尺度的目标
   

人脸关键点检测

目的：检测人脸中的关键点，即有语义特征的点，从早期的五个关键点到现在的72个关键点

1. 多任务模型（同上第2点）
2. 大姿态定位：如侧面，正面的转换，遮挡，模糊 存在大姿态遮挡时如何定位关键点
3. 关键点跟踪，针对于视频

人脸识别

基本步骤：人脸检测，人脸对齐（前两步相当于人脸归一化），人脸识别

方法一：度量学习

计算关键点之间的距离，给CNN模型输入同一个人的两张图片，希望CNN提取出来的特征向量之间的距离较小

improved：tripe loss 输入三张图片，其中有两张图片属于同一个人，一张图片属于另一个人，则让同一人的两张图特征向量之间距离较小，不同人图片之间特征向量距离较大
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-4eHXm5Av-1645809250802)(https://img2022.cnblogs.com/blog/2742224/202202/2742224-20220225150234165-1884681043.png)]

方法二：分类+验证模型

先训练一个分类模型，类别数和ID数相同，再用验证模型使得同一个人脸对应的特征向量之间距离较近

研究方向：

1. 更大，质量更高的数据集
2. 优化目标/损失函数的改进

人脸属性分析

应用：表情识别，年龄识别，颜值识别，装饰识别，脸型识别，性格识别

算法：分类模型（得到一个类别/在众多类别中选择一个类别），回归模型（得到一个数字，预测一个人的年龄，性别等），排序模型（得到一个分布，如无法知道确切的年龄值，但可以知道年龄的分布），分割（可以为后续算法提供预处理），局部属性分析（鼻子，眼镜，嘴巴等多个部位单独分析），

编辑：表情编辑，年龄编辑，颜值编辑，装饰编辑，脸型编辑，性格编辑
算法：GAN与风格化模型，独立属性模型（比如只改变年龄），统一的属性编辑，无/有监督模型

人脸三维重建：
应用：内容创作，AI主播，医疗整容
算法：人脸模型（研究通用的人脸模型，通过标准的人脸模型去调整参数），立体视觉（同一个人脸从不同角度拍摄），SFS，SFM

人脸算法的未来研究方向

细粒度的人脸检测及分析

小脸检测（地铁上安防监控），遮挡脸检测（口罩），活体检测（检测人脸是否为真人），伪造脸检测（检测人脸是否为AI生成的），微表情识别

人脸识别重难点

三维人脸、视频人脸、跨年龄（10岁80岁同一个人）、大姿态与遮挡、异质源（RGB图像，红外光图像）、少样本

人脸编辑重难点

精确的属性编辑（仿真一个微笑的表情，精确的控制微笑的幅度），统一的属性编辑（对人脸的各个属性分布进行编辑，而不是对于人脸中的每个属性单独设计模型），可控的属性编辑（控制幅度，控制区域，通过更加便于理解的方式编辑）

人脸三维重建

人脸模型，无监督模型（数据获取较难），人脸精度与细节，人脸遮挡

参考：B站有三AI

转载请注明：xuhss » [人脸算法]技术方向综述