人臉檢測研究2015最新進展

人臉檢測研究2015最新進展

蒐集整理了2004~2015性能最好的人臉檢測的部分資料，歡迎交流和補充相關資料。

1：人臉檢測性能

1.1 人臉檢測測評

        目前有兩個比較大的人臉測評網站：

       1：Face Detection Data Set and Benchmark（FDDB）

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

       FDDB是由馬薩諸塞大學計算機系維護的一套公開數據庫，爲來自全世界的研究者提供一個標準的人臉檢測評測平臺，其中涵蓋在自然環境下的各種姿態的人臉；該校還維護了LFW等知名人臉數據庫供研究者做人臉識別的研究。作爲全世界最具權威的人臉檢測評測平臺之一，FDDB使用Faces in the Wild數據庫中的包含5171張人臉的2845張圖片作爲測試集，而其公佈的評測集也代表了人臉檢測的世界最高水平。

       FDDB更新更及時一些，所以本文的資料還是主要參考的FDDB。

       2：Fine-grained evaluation of face detection in the wild

       網址：http://www.cbsr.ia.ac.cn/faceEvaluation/results.html

       該測試網站是由李子青老師的研究組創立和維護的，其性能評估更細緻，分析不同分辨率、角度、性別、年齡等條件下的算法準確率。該測試集更新沒有FDDB及時。

1.2 Suevey

       1）2010年微軟zhang cha和張正友撰寫的人臉檢測的綜述報告

       [MSR-TR-2010] A_survey_of_recent_advances_in_face_detection

      2）Stefanos Zafeiriou, Cha Zhang和張正友撰寫了最新的人臉檢測的綜述paper，將出版在2016年的《Computer Vision and Image Understanding》

       [CVIU 2015] A Survey on Face Detection in the wild past, present and future

       最新性能總結如下：

      1）在過去的10年人臉檢測的性能已經有了激動人心的提升。
       2）這些引人注目的性能提升，主要還是得益於將Viala-Jones的boosting和魯棒性的特徵相組合。
       3）始終有15~20%的性能Gap，即使允許一個相對較大的FP(大約1000）,始終有15~10%的人臉無法被檢測到。需要特別指出的是這些Gap主要是由於是失焦的人臉（比如模糊的人臉）。
       4）在這個Benchmark中，最好的基於boosting技術和最好的基於DPM的技術是比較接近的。當然最好的技術還是boosting和DPM組合在一起的性能。（這個就是指的[ECCV 2014] Joint Cascade Face Detection and Alignment）

1.4 有關人臉檢測指標

       如果對於人臉檢測指標不是很熟悉，可以參考http://www.cvrobot.net/recall-precision-false-positive-false-negative/

 

2. 2014的進展

        1：Joint Cascade Face Detection and Alignment. ECCV 2014. D. Chen, S. Ren, Y. Wei, X. Cao, J. Sun.
       Paper：[ECCV 2014] Joint Cascade Face Detection and Alignment

       中文介紹：聯合人臉檢測、校準算法介紹

       2：The fastest deformable part model for object detection J. Yan, Z. Lei, L. Wen, S. Z. Li, 

       paper：[CVPR 2014] The Fastest Deformable Part Model for Object Detection

        3：Face detection without bells and whistles. ECCV 2014. M. Mathias, R. Benenson, M. Pedersoli and L. Van Gool.
        Paper：[ECCV 2014] Face detection without bells and whistles.

        project：http://markusmathias.bitbucket.org/2014_eccv_face_detection/

       Code：https://bitbucket.org/rodrigob/doppia

       Talk： http://videolectures.net/eccv2014_mathias_face_detection/  （不錯的報告）

       Slide：eccv2014_mathias_face_detection_01

       4：A Method for Object Detection Based on Pixel Intensity Comparisons Organized in Decision Trees. CoRR 2014. N. Markus, M. Frljak, I. S. Pandzic, J. Ahlberg and R. Forchheimer.
        Code：https://github.com/nenadmarkus/pico

        Paper：Object Detection with Pixel Intensity Comparisons Organized in Decision Trees

        實時人臉檢測視頻Demo：

       5：Aggregate channel features for multi-view face detection.. B. Yang, J. Yan, Z. Lei and S. Z. Li.

       Paper：[IJCB 2014] Aggregate channel features for multi-view face detection

 

3. 2015的最新進展

        6：A Convolutional Neural Network Cascade for Face Detection. H. Li , Z. Lin , X. Shen, J. Brandt and G. Hua. 
        paper：[CVPR2015] A Convolutional Neural Network Cascade for Face Detection

        7：Multi-view Face Detection Using Deep Convolutional Neural Networks. S. S. Farfade, Md. Saberian and Li-Jia Li

       這是yahoo的人臉檢測

       Paper：[ICMR 2015] Multi-view Face Detection Using Deep Convolutional Neural Networks

       News：The Face Detection Algorithm Set to Revolutionize Image Search

       8：Face Detection with a 3D Model.   A. Barbu, N. Lay, G. Gramajo.
       paper：Face Detection with a 3D Model

       結論：The 3D proposals are not perfectly aligned with the face keypoints, which results in a reduced accuracy in the high precision/very low false positive regime compared to other state of the art methods. However, in the regime of at least 0.1 false positives per image, it outperforms the cascade-based state of the art methods.

 

聲明：

如果轉載了本文，也請註明轉載出處：http://www.cvrobot.net/latest-progress-in-face-detection-2015/。