人脸检测研究2015最新进展
http://www.cvrobot.net/latest-progress-in-face-detection-2015/人脸检测研究2015最新进展搜集整理了2004~2015性能最好的人脸检测的部分资料，欢迎交流和补充相关资料。1：人脸检测性能1.1 人脸检测测评 目前有两个比较大的人脸测评网站： 1：Face Detection Data Set and Benchmark（FDDB） 网址：www.cs.umass.edu/fddb/results.html]http://vis-www.cs.umass.edu/fddb/results.html FDDB是由马萨诸塞大学计算机系维护的一套公开数据库，为来自全世界的研究者提供一个标准的人脸检测评测平台，其中涵盖在自然环境下的各种姿态的人脸；该校还维护了LFW等知名人脸数据库供研究者做人脸识别的研究。作为全世界最具权威的人脸检测评测平台之一，FDDB使用Faces in the Wild数据库中的包含5171张人脸的2845张图片作为测试集，而其公布的评测集也代表了人脸检测的世界最高水平。 FDDB更新更及时一些，所以本文的资料还是主要参考的FDDB。 2：Fine-grained evaluation of face detection in the wild 网址：http://www.cbsr.ia.ac.cn/faceEvaluation/results.html 该测试网站是由李子青老师的研究组创立和维护的，其性能评估更细致，分析不同分辨率、角度、性别、年龄等条件下的算法准确率。该测试集更新没有FDDB及时。1.2 Suevey 1）2010年微软zhang cha和张正友撰写的人脸检测的综述报告 A_survey_of_recent_advances_in_face_detection 2）Stefanos Zafeiriou, Cha Zhang和张正友撰写了最新的人脸检测的综述paper，将出版在2016年的《Computer Vision and Image Understanding》 A Survey on Face Detection in the wild past, present and future 最新性能总结如下：http://www.cvrobot.net/wp-content/uploads/2015/06/A-Survey-on-Face-Detection-in-the-wild-past-present-and-future-1024x359.png 1）在过去的10年人脸检测的性能已经有了激动人心的提升。
2）这些引人注目的性能提升，主要还是得益于将Viala-Jones的boosting和鲁棒性的特征相组合。
3）始终有15~20%的性能Gap，即使允许一个相对较大的FP(大约1000）,始终有15~10%的人脸无法被检测到。需要特别指出的是这些Gap主要是由于是失焦的人脸（比如模糊的人脸）。
4）在这个Benchmark中，最好的基于boosting技术和最好的基于DPM的技术是比较接近的。当然最好的技术还是boosting和DPM组合在一起的性能。（这个就是指的 Joint Cascade Face Detection and Alignment）1.4 有关人脸检测指标 如果对于人脸检测指标不是很熟悉，可以参考http://www.cvrobot.net/recall-precision-false-positive-false-negative/http://www.cvrobot.net/wp-content/uploads/2015/06/recall-precision-false-positive-false-negative-1.png 2. 2014的进展 1：Joint Cascade Face Detection and Alignment. ECCV 2014. D. Chen, S. Ren, Y. Wei, X. Cao, J. Sun.
Paper： Joint Cascade Face Detection and Alignment 中文介绍：联合人脸检测、校准算法介绍 2：The fastest deformable part model for object detection J. Yan, Z. Lei, L. Wen, S. Z. Li, paper： 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： 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/（不错的报告） Slide：eccv2014_mathias_face_detection_01http://www.cvrobot.net/wp-content/uploads/2015/06/Face-detection-without-bells-and-whistles-1024x379.png 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 实时人脸检测视频Demo：
5：Aggregate channel features for multi-view face detection.. B. Yang, J. Yan, Z. Lei and S. Z. Li. Paper： Aggregate channel features for multi-view face detection
3. 2015的最新进展 6：A Convolutional Neural Network Cascade for Face Detection. H. Li , Z. Lin , X. Shen, J. Brandt and G. Hua.
paper： 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 这是yahoo的人脸检测 Paper： Multi-view Face Detection Using Deep Convolutional Neural Networks News：The Face Detection Algorithm Set to Revolutionize Image Searchhttp://www.cvrobot.net/wp-content/uploads/2015/06/ICMR-2015-Multi-view-Face-Detection-Using-Deep-Convolutional-Neural-Networks-1.png 8：Face Detection with a 3D Model. A. Barbu, N. Lay, G. Gramajo.
paper：Face Detection with a 3D Model 结论：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.
声明：如果转载了本文，也请注明转载出处：http://www.cvrobot.net/latest-progress-in-face-detection-2015/。如果您对该类型算法技术感兴趣，可以关注新浪微博：视觉机器人或者加入 QQ群：101371386您的关注是我们最大的努力源泉~~
页:
[1]