人脸检测与人脸特征点定位

本节内容：

▸ 1. 人脸识别发展介绍——从非深度到深度

▸ 2. 人脸识别的难点

▸ 3. 人脸识别的评测方法

▸ 4. 重点几种模型的原理理讲解（MTCNN/FaceNet（OpenFace））

▸ 5. TensorFlow实现的MTCNN+FaceNet的人脸检测

▸ 6. 推荐的开源的人脸检测项⽬目

非深度检测人脸的原理：

用一个固定大小的区域不断的遍历整个画面，每一个框和训练的结果做比对（或者是分类），比对结果（分类结果）若是正确，则认为是一个人脸，连续好几个地方都会检测到，那这时我们就做一个极大值抑制得到最正确的人脸定位。人脸的大小也会有大有小有变化，滑窗也会由小到大进行遍历，但效率很低，故引入金字塔模型（固定框的大小，对图片进行缩放，每次缩放做一个滑窗）


深度学习的人脸检测⽅方法

▸ 1. face++(0.9950)

▸ 参考⽂文献：Naive-Deep face Recognition: Touching the Limit of LFW Benchmark or Not?

▸ face++从⽹网络上搜集了了5million张⼈人脸图⽚片⽤用于训练深度卷积神经⽹网络模型，在 LFW数据集上准确率⾮非常⾼高。该篇⽂文章的⽹网路路模型很常规（常规深度卷积神经⽹网络 模型）

▸ 2.DeepFace（0.9735 ）

▸ 参考⽂文献：Deepface: Closing the gap to humal-level performance in face verification

▸ 常规人脸识别流程是：人脸检测-对齐-表达-分类。本文中，我们通过额外的3d模型 改进了人脸对⻬的⽅法。然后，通过基于4million人脸图像（4000个体）训练的 一个9层的人工神经网络来进行人脸特征表达。我们的模型在LFW数据集上取得了0.9735的准确率。该文章的亮点有以下⼏几点：一，基于3d模型的人脸对⻬⽅法； 二，⼤数据训练的⼈工神经网络。

▸ 3.FR+FCN（0.9645 ）

▸ 参考⽂文献：Recover Canonical-View Faces in the Wild with Deep Neural Networks

▸ 参考⽂文献：DeepID3: Face Recognition with Very Deep Neural Networks

▸ 参考⽂文献：FaceNet: A Unified Embedding for Face Recognition and Clustering

参考⽂文献：Targeting Ultimate Accuracy : Face Recognition via Deep Embedding

▸ 参考⽂文章：Do We Really Need to Collect Millions of Faces for Effective Face Recognition

▸ 参考⽂文献：Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network

▸ 参考⽂文献：DenseBox: Unifying Landmark Localization with End to End Object Detection

▸ 参考⽂文献：Faceness-Net: Face Detection throughDeep Facial Part Responses

http://vis-www.cs.umass.edu/lfw/results.html

https://blog.csdn.net/shuzfan/article/details/50371990 NMS(非极大值抑制)——卷积网络改进实现

实例待做

Python–Virtualenv简明教程 https://www.jianshu.com/p/08c657bd34f1（学着用Virtualenv）