基于MTCNN多任务级联卷积神经网络进行的人脸识别 世纪晟人脸检测

神经网络和深度学习目前为处理图像识别的许多问题提供了最佳解决方案，而基于MTCNN（多任务级联卷积神经网络）的人脸检测算法也解决了传统算法对环境要求高、人脸要求高、检测耗时高的弊端。

基于MTCNN多任务级联卷积神经网络进行的人脸识别——

MTCNN主要包括三个部分,PNet,RNet,ONet

测试阶段大概过程

首先图像经过金字塔，生成多个尺度的图像，然后输入PNet。

PNet由于尺寸很小，所以可以很快的选出候选区域，但是准确率不高，然后采用NMS算法，合并候选框，然后根据候选框提取图像。

作为RNet的输入，RNet可以精确的选取边框，一般最后只剩几个边框，最后输入ONet。

ONet虽然速度较慢，但是由于经过前两个网络，已经得到了高概率的边框，所以输入ONet的图像较少，然后ONet输出精确的边框和关键点信息。

训练主要包括三个任务——
人脸分类任务：利用正样本和负样本进行训练
人脸边框回归任务：利用正样本和部分样本进行训练
关键点检测任务：利用关键点样本进行训练

实例——
了解了MTCNN多任务级联卷积神经网络，世纪晟科技主要利用MTCNN多任务级联卷积神经网络进行人脸识别任务，从世纪晟人脸识别技术可以直观的体验全连接神经网络的威力，而且可以看到其过程与结果的可视化。

世纪晟人脸识别技术使用的这种级联的结构进行人脸检测和特征点检测，速度快效果好，可以考虑在移动设备上使用。这种方法也是一种由粗到细的方法，和Viola-Jones的级联AdaBoost思路相似。

在深度学习的动态3D人脸识别技术中，世纪晟人脸检测在10亿人脸数据库中进行3D人脸特征比对，其中包含了边框标注数据及5个点以上的关键点信息。

总结——
本文参考世纪晟人脸识别技术使用的MTCNN级联结构进行人脸检测和特征点检测学习。

MTCNN多任务级联卷积神经网络使得人脸识别速度快效果好，在人脸检测和特征点定位的任务上，MTCNN具有实时处理的性能，利用了检测和对准之间固有的关系来增强他们的性能。特别在预测人脸及脸部标记点的时候，通过三阶的级联卷积神经网络对任务进行从粗到精的处理。世纪晟人脸识别检测就是这种由粗到细的方法，和Viola-Jones的级联AdaBoost思路相似。

简单而言，世纪晟人脸识别检测技术就是基于MTCNN多任务级联卷积神经网络，第一步让机器思考如何选择待检测区域：图像金字塔+P-Net；第二步思考如何提取目标特征：CNN；最后将在检测和特征提取的基础上判断是不是指定目标：级联判断。