VALSE

查看: 10604|回复: 0

人脸检测研究2015最新进展

[复制链接]
发表于 2015-6-23 16:38:43 | 显示全部楼层 |阅读模式
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:[url=http://vis-www.cs.umass.edu/fddb/results.html]http://vis-www.cs.umass.edu/fddb/results.html[/url]
       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
       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
      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》
       最新性能总结如下:
       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[ECCV 2014] 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/
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:[ECCV 2014] 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,
        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.
       Talk: http://videolectures.net/eccv2014_mathias_face_detection/  (不错的报告)
       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
        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.

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:[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
       这是yahoo的人脸检测
       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~~







回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Archiver|Vision And Learning SEminar

GMT+8, 2024-12-3 13:05 , Processed in 0.018784 second(s), 22 queries .

Powered by Discuz! X3.4

Copyright © 2001-2020, Tencent Cloud.

快速回复 返回顶部 返回列表