VALSE 2017 | 人脸检测与识别技术年度进展概述

本文 首发在个人微信公众号：计算机视觉life上。

前言

VALSE年度研讨会的主要目的是为计算机视觉、图像处理、模式识别与机器学习研究领域内的中国青年学者提供一个深层次学术交流的舞台。

截至目前，VALSE已成功举办6届，分别为VALSE2011（杭州），VALSE2012（西安），VALSE2013（南京），VALSE2014（青岛），VALSE2015（成都），VALSE2016（武汉）。VALSE2017已于2017年4月21~23日在厦门大学举办。

本人有幸到中国最美的大学（之一）——厦门大学参加了VALSE 2017年度研讨会，了解到计算机视觉、机器学习、人工智能等相关领域最新的学术进展。本次大会有来自海内外2500人参加，共有23家企业赞助，是参会人数规模及赞助商规模最大的一次。

大会三天涉及的内容 非常多而全面，大会报告议程请考：http://mac.xmu.edu.cn/valse2017/programs.html， 我会陆续挑选部分内容进行整理介绍，敬请关注。

今天就先从VALSE 的发起者之一——中科院计算所的山世光研究员的报告：《人脸检测与识别年度进展概述》说起。

山世光研究员长期从事人脸识别相关的研究工作，并作出了杰出的成果，于2016年成立了一家以人脸识别技术为核心的公司——中科视拓。

人脸技术总体趋势

人脸技术的总体趋势如下图所示。目前几乎所有的人脸技术都已经脱离了传统的特征子描述法，全面采用深度学习技术。另外，几乎所有的计算机视觉类公司都有在做人脸相关研究，技术已经比较成熟，竞争相当激烈。目前人脸技术是计算机视觉所有技术中应用落地最好的，但是也要保持警惕的态度。比如今年央视315晚会上曝光的利用变脸APP欺骗人脸识别系统的案例，如果不能在人脸活体检测方面扫除这些障碍，人脸技术可能会出现“倒春寒”。

具体到技术层面的进展情况如下图所示。后面会进一步具体介绍。

人脸检测技术进展

人脸数据集方面，人脸识别领域的大牛香港中文大学的汤晓鸥团队贡献了一个新的数据集：Wider Face。

该数据集主要特点如下所示。

针对其中小脸检测，目前有如下的方法。

该数据集提供了大量的小脸图片，对应的精度的提高需要在速度上付出巨大代价。

面部特征点定位技术

面部特征点定位技术的发展趋势如下图所示。

人脸识别

人脸识别技术方面，山世光提到了某些特定场景下数据集较小时的处理方法。一是使用合成的数据，另外就是目前非常火的GAN网络生成数据。另外移动嵌入式端对算法的实时性要求较高，模型加速方面有很大的潜力可挖。

表情识别

对于深度学习研究者来说，最开心的莫过于又有了更新更丰富的数据集了。没错，表情识别方面也有了规模更大的数据集EmotioNet。

EmotioNet的说明如下：

工业界技术

工业界在人脸技术方面也有了飞速的发展，大数据驱动的深度学习在人证合一验证方面已经远超人类。1：N静态照片检索识别率也有了提升。

跨年龄人脸识别也有了较大进展，如下所示。

数据集方面，山世光认为目前仍然是数据为王。但是数据少甚至没有数据的情况下也是有办法的。具体办法见下图。

此外，山世光提出了人脸技术的发展趋势和存在的问题，如下图所示。

人脸技术最新开源代码

大会上一些研究机构和公司也公布了自己在人脸识别技术方面的开源代码。在此列出。

1、中科视拓即将在2017年5月30日开源的SeetaFace2.0开源人脸识别引擎。提供面部68点定位的SDK、安卓版人脸检测SDK。

2、中科院深圳先进技术研究院乔宇研究员的课题组公开的模型和代码。非常全面，不仅包括了人脸技术还涵盖了行为识别、场景分类、场景ORC识别等技术。具体地址扫码如下二维码。

3、通甲优博开源的商用级人脸标注引擎VOOME。并承诺这款引擎将永久免费下载和升级。