[普通]人脸系列：人脸检测、人脸关键点定位、人脸优选、人脸对齐、人脸特征提取、人脸跟踪、人脸活体检测

作者(passion) 更新(2019-12-23) 阅读(1206次) 评论(0) 分类( 算法)

一、一点想法

缘由：最近想整理下从事人脸方向的所有查阅过的论文，做过的相关实验，因为随着时间的推移，自己总会遗忘当初的一些想法，所以想好好整理下自己的学习笔记。

过程：本系列包括从人脸检测、人脸关键点检测、人脸优选、人脸对齐、再到人脸特征提取的一系系列过程，每个模块都有尝试一些网络结构和方法，因为自己主要部署在嵌入式平台、移动端等设备，所以都是采用轻量级的网络结构，采用Caffe训练，然后采用腾讯的NCNN框架部署，每个模块都发布过想要的版本，这其中也遇到过很多坑，所以想记录下自己的学习过程。这个过程包括先了解各个模块相关的最前沿的论文，然后在github上查找相关作者的网络结构，再到最后自己复现和实验，过程都很繁琐，但是作为了一个从事CV的小白来说，需要的是更多的耐心和毅力去弯沉整个流程的学习，因为过程很重要。

结果：每一个模块，都需要时间去探索和学习，在这条道路上，我遵循的原则是先了解在深入，先将每个模块的基础框架建立，以后在慢慢深入，先打通了任督二脉，再去闯荡江湖，边闯边学边琢磨。这里的每篇论文现在还只有论文地址，我会在近段时间慢慢完善内容，把框架建立起来，从论文到实验，给出自己的见解，争取做到最好，也给需要的同学一些方向。论文也是从简单到复杂的方向去写的，自己开始的时候都是从基础网络和模型开始的，所以可以按照下面的目录慢慢深入，以后会写的更加深入和完美。

二、人脸系列

人脸检测：Face Detection

人脸检测主要用到了MTCNN和MobileNet_SSD做人脸检测生成检测框，为后续的识别做处理。

MTCNN解读： https://blog.csdn.net/TheDayIn_CSDN/article/details/93190812

MTCNN学习总结：https://blog.csdn.net/TheDayIn_CSDN/article/details/86588731

MobileNet_SSD解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93190972

Tiny-DSOD解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93191904

人脸关键点检测：Face Landmark Detection

关键点检测主要训练过MobileNetv1、MobileNetv2、MobileNetv3，尝试过各种轻量化的网络结构。后面会完善关键点训练过程和总结。

PFLD解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93191633

人脸优选：Face Selection

人脸优选主要是做质量筛选，刚开始是用传统图像处理的方法做边缘检测，图像质量筛选等，但是效果不好；后面又尝试用深度学习的分类的方法做模糊人脸，人脸姿态，人脸遮挡，人脸关照等，训练过单分类和多分类的方法，效果都不是很理想。

人脸质量评估-模糊检测方法总结：https://blog.csdn.net/thedayin_csdn/article/details/86671972

图像增强方法总结：https://blog.csdn.net/thedayin_csdn/article/details/86682034

人脸模糊检测：https://blog.csdn.net/thedayin_csdn/article/details/86682266

质量判断总结：https://blog.csdn.net/TheDayIn_CSDN/article/details/86682184

人脸对齐：Face Alignment

人脸对齐主要是在人脸关键点检测的基础上，利用仿射变换、相似变换等对关键点进行处理，将非正面人脸旋转成正脸来进行人脸特征提起，人脸关键点的好坏和对齐的效果影响人脸对齐的结果。

人脸识别：Face Recognition

刚开始接触人脸特征提取吗，觉得很高大上，不管是什么论文都想看看，但是发现论文的理论性很强，人脸识别经常会有很多新的loss函数出现，所以越学越吃力，单纯从理论方面有时候很难理解，所以我的做法是边看论文边做实验，训练模型，训练的过程中去理解，然后又回过头去复盘，查看自己的理解程度。其实人脸识别就是一个分类的过程，只不过分的类别是根据人脸ID去分类，不是我们平时做的只有几类的分类任务，总的来说就是一个分类的过程。网络训练的时候有很多技巧，比如先用Softmax训练一个基础版本，然后在用另外的loss函数比如arcface去微调模型。人脸特征提取的知识很多，需要学习的内容也很多，所以需要好好沉下心来。

最初训练的网络模型是SphereFace64和MobileFaceNets，先从基础的模型开始，采用公开数据集，后续慢慢根据场景优化。

Center Loss 解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93177519

CosFace 解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93177824

ArcFace解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93176376

SphereFace解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93175787

MobileFaceNets解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93190363

人脸跟踪：Face Tracking

待补充KCF人脸跟踪

Face Tracking：人脸跟踪KCF解读：https://blog.csdn.net/TheDayIn_CSDN/article/details/93630743

人脸活体检测：Face Anti-Spoofing

待补充双目红外活体

Face Anti-Spoofing：人脸活体检测：https://blog.csdn.net/TheDayIn_CSDN/article/details/93631468