凌风探梅的专栏

人脸识别基础关键技术 这是一个「看脸」的时代，一谈人脸技术，大家最为熟知就是人脸识别。该技术在金融、社保、零售、安防等领域表现活跃，成为人工智能技术领域的明星。本文主要介绍一些背后默默支持人脸识别的技术。 一般而言，一个完整的人脸识别系统包含四个主要组成部分，即人脸检测、人脸对齐、人脸特征提取以及人脸识别。 四部分流水线操作： 人脸检测在图像中找到人脸的位置；人脸配准在人脸上找到眼睛、鼻子、嘴巴等面部器官的位置；通过人脸特征提取将人脸图像信息抽象为字符串信息；人脸识别将目标人脸图像与既有人脸比对计算

AdaBoost人脸检测原理FROM：http://blog.sina.com.cn/s/blog_4e6680090100d2se.html对人脸检测的研究最初可以追溯到 20 世纪 70 年代，早期的研究主要致力于模板匹配、子空间方法，变形模板匹配等。近期人脸检测的研究主要集中在基于数据驱动的学习方法，如统计模型方法，神经网络学习方法，统计知识理论和支持向量机方法，基于马尔可夫

from:http://blog.youkuaiyun.com/ranmer/article/details/2292335前一阵子的工作已经告一段落了,新的挑战即将开始,既然选择了它,就要无悔,开弓没有回头箭,努力吧!!人脸检测的任务是在复杂的背景下检测图像中有无人脸,从而判断人是否存在,并提取出人脸面部图像信息.欧式距离:在二维和三维空间中的欧式距离的就是两点之间的距离，二维的公式是

人脸识别简介    人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部的一系列相关技术，通常也叫做人像识别、面部识别。 人脸识别特征图人脸识别特点    人脸与人体的其它生物特征（指纹、虹膜等）一样与生俱来，它的唯一性和不易被复制的良好特性为身份鉴

人脸识别活体检测 在生物识别系统中，为防止恶意者伪造和窃取他人的生物特征用于身份认证，生物识别系统需具有活体检测功能，即判断提交的生物特征是否来自有生命的个体。 一般生物特征的活体检测技术利用的是人们的生理特征，例如活体指纹检测可以基于手指的温度、排汗、导电性能等信息，活体人脸检测可以基于头部的移动、呼吸、红眼效应等信息，活体虹膜检测可以基于虹膜振颤特性、睫毛和眼皮的运动信息、...

from: http://geek.youkuaiyun.com/news/detail/126153本文来源微信公众号：深度学习大讲堂，已授权发布。 作者：刘峰，四川大学计算机学院生物特征识别实验室博士三年级学生，导师游志胜教授、赵启军博士。研究方向为机器学习与模式识别（三维人脸建模与识别、二维人脸特征点检测等）。 原文：【ECCV2016论文速读】回归框架下的人脸对齐和三维重建 欢

Face Recognition - 拉姆达实验室斯蒂芬弄的。示例代码和图形演示点击http://api.lambdal.com/docs，我们的API提供了面部识别，面部检测，眼睛定位，鼻子定位，嘴巴定位，和性别分类。如果您有任何疑问，只需发一封邮件到s@lambdal.com。Face (Detection) -  计算机视觉面部识别和面部检测。这是一个完美的face.com替代品。目前，我们

DeeoID:Deep learning face representation from predicting 10,000 classes

DeepID3:Face Recognition with Very Deep Neural Networks

DeepID2+:Deeply Learned Attributes for Crowded Scene Understanding

人脸技术路线图1)　人脸检测2)　人脸对齐3)　关键点检测/五官定位4)　特征提取5)　人脸识别6) 性别识别7)　表情识别8)　年龄估计9)　种族分类/识别10)　人脸替换/面部动作表情转移

人脸检测属于计算机视觉的范畴，早期人们的主要研究方向是人脸识别，即根据人脸来识别人物的身份，后来在复杂背景下的人脸检测需求越来越大，人脸检测也逐渐作为一个单独的研究方向发展起来。目前的人脸检测方法主要有两大类：基于知识和基于统计。“基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。基于统计的方法则将人脸看作一个整体的模式——二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度量来判断人脸是否存在。在这

from： http://blog.youkuaiyun.com/chenriwei2/article/details/49500687导言深度学习深似海、尤其是在图像人脸识别领域，最近几年的顶会和顶刊常常会出现没有太多的理论创新的文章，但是效果摆在那边。DeepID是深度学习方法进行人脸识别中的一个简单，却高效的一个网络模型，其结构的特点可以概括为两句话：1、训练一个多个人脸的分类器

from:http://blog.youkuaiyun.com/chenriwei2/article/details/46432727写在前面：Caffe 中有众多的网络层，最新版本的代码已经涵盖了很多种类型的网络层，然而，有时候由于各种原因，其给定的网络层不能满足我们的要求，这时候就要对其更改，以使其满足自己的需求，感谢作者开源代码以及众多的代码维护者。由于Caffe 中的网络层都是

from：http://blog.youkuaiyun.com/chenriwei2/article/details/49706563引言如果关注Kaggle 机器学习项目的同学，一定很熟悉人脸关键点检测这个任务，在2013 年的时候，ICML举办一个的challgene，现在放在kaggle 上作为 一种最常规kaggle入门任务而存在。本文的主要目的在于验证深度学习模型在人脸点

实时人脸检测 (Real-Time Face Detection) (2014-08-24 17:23:16)转载▼标签： 人脸检测 机器学习 adaboost 三维公园 threepark分类： 三维公园   最近需要用到人脸检测，于是找了篇引用广泛的论文实现了一下

人脸检测发展：从VJ到深度学习（下）2016-08-11 16:36 转载 深度学习大讲堂 0条评论 雷锋网按：本文作者邬书哲, 中科院计算所智能信息处理重点实验室VIPL课题组博士生，研究方向：目标检测，尤其关注基于深度学习的目标检测方法。|深度学习给目标检测带来的变革     人脸检测作为一种特定类型目标的检测任务，一方面具有其自己鲜明的特点，需要考虑人

针对人脸识别中存在遮挡、光照、表情变化等问题，提出了一种基于改进的鲁棒主成分分析的人脸识别算法，它利用人脸的稀疏误差成分准确判断出人脸图像之间的差异。该算法首先对人脸进行低秩恢复，得到表示人脸普通特征的低秩分量和描述人脸差分信息的稀疏误差分量，然后定义稀疏度和平滑度两种描述符来表示稀疏误差分量的特征，最后联合上述两种描述符对人脸图像进行分类判别。实验结果表明，在光照条件和遮挡区域随机的情况下，提出的采用误差图像进行分类判别的算法在处理遮挡、光照、表情变化等人脸识别问题上均具有优越的识别性能。

from: http://blog.youkuaiyun.com/chenriwei2/article/details/50631212公开人脸数据集本页面收集到目前为止可以下载到的人脸数据库，可用于训练人脸深度学习模型。人脸识别数据库描述用途获取方法WebFace10k+人，约500K张图片

ICCV2013-Hybrid Deep Learning for Face Verification用深度学习做面部特征点检测最早的论文

专访DeepID发明者孙祎：关于深度学习与人脸算法的深层思考发表于2015-11-18 09:51 作者周建丁CNN卷积神经网络DeepID人脸算法深度学习孙祎Linkface摘要：DeepID人脸算法发明者、人脸识别创业公司Linkface研究员孙祎深度解读DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题。人脸识别是近两年计算机视觉领域

DeepID2:Deep Learning Face Representation by Joint Identification-Verification

参考文档：http://docs.opencv.org/doc/tutorials/objdetect/cascade_classifier/cascade_classifier.html目标：使用CascadeClassifier（Opencv中的级联分类器）类在视频流中进行Ｏｂｊｅｃｔ（例如，人脸）检测。使用的函数如下：１）　load 　加载一个 .xml 分类器文件. 可以是Haar分类器或者LBP分类器２）　detectMultiScale 执行检测功能

http://danielnouri.org/notes/2014/12/17/using-convolutional-neural-nets-to-detect-facial-keypoints-tutorial/Using convolutional neural nets to detect facial keypoints tutorialDecem

从Theano到Lasagne：基于Python的深度学习的框架和库[日期：2015-08-03]来源：http://creative-punch.net/  作者：Creative Punch[字体：大 中 小]　　深度学习是机器学习和人工智能的一种形式，利用堆积在彼此顶部的神经网络的多个隐藏层来尝试形成对数据更深层次的“理解”。　　最近，深度

原文出处： sciencefans 的博客   搞了一年人脸识别，寻思着记录点什么，于是想写这么个系列，介绍人脸识别的四大块：Face detection, alignment, verification and identification(recognization)，本别代表从一张图中识别出人脸位置，把人脸上的特征点定位，人脸校验和人脸识别。（后两者的区别在于，人脸校验是要给你两张脸

from http://blog.youkuaiyun.com/sloanqin/article/details/481931191 Face++：http://www.faceplusplus.com.cn/tech_landmark/其提供的技术服务有1：人脸检测（人脸检测追踪，人脸关键点检测） 2：人脸分析（微笑分析，性别年龄种族表情）3：人脸识别（1：1，1：N，大规模人脸搜索）。我需

人脸识别简史与近期进展2016-03-29 刘昕 深度学习大讲堂     自动人脸识别的经典流程分为三个步骤：人脸检测、面部特征点定位（又称FaceAlignment人脸对齐）、特征提取与分类器设计。一般而言，狭义的人脸识别指的是"特征提取+分类器"两部分的算法研究。  在深度学习出现以前，人脸识别方法一般分为高维人工特征提取（例如：LBP,Gabor等

1 http://web4.cs.ucl.ac.uk/research/vis/pvl/index.php?option=com_content&view=article&id=51:face-recognition&catid=38:facerecognition&Itemid=60

from： http://blog.youkuaiyun.com/jia20003/article/details/7596443图像处理之简单脸谱检测算法（Simple Face Detection Algorithm）介绍基于皮肤检测之后的，寻找最大连通区域，完成脸谱检测的算法。大致的算法步骤如下：原图如下：每步处理以后的效果：程序运行，加载

From:http://www.52cs.org/?p=515DeepID实践作者微博：zyx_1991小编推荐：张雨石（笔名）是北航软院研二的童鞋，一直关注深度学习在人脸识别方面的实践，主要研究方向也是深度学习在图像处理上的应用，写了多篇科普文章。本篇是 @龙星镖局 特别邀请他写的一篇实践性很强的科普文章，主题是牛逼哄哄的DeepID。没错，就是那个识别准确率在99.15%的

DeepLearning tutorial（5）CNN卷积神经网络应用于人脸识别（详细流程+代码实现）@author：wepon@blog：http://blog.youkuaiyun.com/u012162613/article/details/43277187本文代码下载地址：我的github本文主要讲解将CNN应用于人脸识别的流程，程序基于python+num

http://cmp.felk.cvut.cz/~uricamic/flandmark/flandmarkOpen-source implementation of facial landmark detectorMichal Uřičář, Vojtěch Francuricamic@cmp.felk.cvut.cz, xfrancv@cmp.felk

Active Shape Models with StasmStasm is a C++ software library for finding features in faces. You give it an image of a face and it returns the positions of the facial features.Stasm is designed

不少人应该都知道ASM/AAM，该技术有着广泛的应用，包括人脸识别、人脸表情识别等，把它应用在人脸识别、人脸表情识别的图像预处理系统中，能够一定程度的提高识别效率。当然这种预处理方法不局限于人脸预处理，任何具有一定形态的物体识别都可以使用这种方法，这得益于ASM/AAM的本质 使用asm进行预处理的基本步骤：1.fit 人脸的asm2.擦除asm点集组成的凸多边形之

参考文献：Paul Viola, Michael J. Jones. Robust Real-Time Face Detection[J]. International Journal of Computer Vision,2004,57(2):137-154.优点：1.积分图像（integral image）快速计算Haar-like特征。2.利用Adaboost算法进行特征选择和分类器训练，把弱分类器组合成强分类器。3.采用分类器级联提高效率。

搜集整理了2004~2015性能最好的人脸检测的部分资料，欢迎交流和补充相关资料。1：人脸检测性能1.1 人脸检测测评目前有两个比较大的人脸测评网站：1：Face Detection Data Set and Benchmark（FDDB）网址：http://vis-www.cs.umass.edu/fddb/results.htmlFDDB是由马萨

ｆｒｏｍ：　http://www.rs-online.com/designspark/electronics/knowledge-item/content-862一个人的脸部特征可以传达很多信息，如性别，大致年龄，性别以及情感等，因此，在过去三十多年的时间里有大量学者热衷于对人脸检测与人脸识别的研究。人脸检测(Face Detection)是指在输入图像中确定所有人脸(如果存在)

使用Caffe复现DeepID实验本实验使用Casia-Webface part2的切图来复现DeepID实验结果。DeepID网络配置文件训练验证数据组织实验结果结果分析DeepID网络配置文件-下面给出deepId_train_test.prototxt的内容name: "deepID_network"layer { name: "input_da

Face Alignment at 3000 FPS via Regressing Local Binary Features（CVPR2014）读后感（first pass）这篇文章还是通过训练形状误差与特征的回归模型来做人脸配准(face alignment)。重点在于它用回归树学习一个局部二值特征（LBF，注意不是LBP），用线性回归来训练回归模型。摘要翻译这篇文章展