“人臉檢測(Face DetecTIon)”是檢測出圖像中人臉?biāo)谖恢玫囊豁椉夹g(shù)。

人臉檢測算法的輸入是一張圖片，輸出是人臉框坐標(biāo)序列(0個人臉框或1個人臉框或多個人臉框)。一般情況下，輸出的人臉坐標(biāo)框為一個正朝上的正方形，但也有一些人臉檢測技術(shù)輸出的是正朝上的矩形，或者是帶旋轉(zhuǎn)方向的矩形。

常見的人臉檢測算法基本是一個“掃描”加“判別”的過程，即算法在圖像范圍內(nèi)掃描，再逐個判定候選區(qū)域是否是人臉的過程。因此人臉檢測算法的計算速度會跟圖像尺寸、圖像內(nèi)容相關(guān)。開發(fā)過程中，我們可以通過設(shè)置“輸入圖像尺寸”、或“最小臉尺寸限制”、或“人臉數(shù)量上限”的方式來加速算法。

圖1、人臉檢測結(jié)果舉例(綠色框為人臉檢測結(jié)果)

“人臉配準(zhǔn)(Face Alignment)”是定位出人臉上五官關(guān)鍵點坐標(biāo)的一項技術(shù)。

人臉配準(zhǔn)算法的輸入是“一張人臉圖片”加“人臉坐標(biāo)框”，輸出五官關(guān)鍵點的坐標(biāo)序列。五官關(guān)鍵點的數(shù)量是預(yù)先設(shè)定好的一個固定數(shù)值，可以根據(jù)不同的語義來定義(常見的有5點、68點、90點等等)。

當(dāng)前效果的較好的一些人臉配準(zhǔn)技術(shù)，基本通過深度學(xué)習(xí)框架實現(xiàn)，這些方法都是基于人臉檢測的坐標(biāo)框，按某種事先設(shè)定規(guī)則將人臉區(qū)域扣取出來，縮放的固定尺寸，然后進(jìn)行關(guān)鍵點位置的計算。因此，若不計入圖像縮放過程的耗時，人臉配準(zhǔn)算法是可以計算量固定的過程。另外，相對于人臉檢測，或者是后面將提到的人臉提特征過程，人臉配準(zhǔn)算法的計算耗時都要少很多。

圖2、人臉配準(zhǔn)結(jié)果舉例(右圖中的綠色點位人臉配準(zhǔn)結(jié)果)

“人臉屬性識別(Face Attribute)”是識別出人臉的性別、年齡、姿態(tài)、表情等屬性值的一項技術(shù)。

一般的人臉屬性識別算法的輸入是“一張人臉圖”和“人臉五官關(guān)鍵點坐標(biāo)”，輸出是人臉相應(yīng)的屬性值。人臉屬性識別算法一般會根據(jù)人臉五官關(guān)鍵點坐標(biāo)將人臉對齊(旋轉(zhuǎn)、縮放、扣取等操作后，將人臉調(diào)整到預(yù)定的大小和形態(tài))，然后進(jìn)行屬性分析。

常規(guī)的人臉屬性識別算法識別每一個人臉屬性時都是一個獨立的過程，即人臉屬性識別只是對一類算法的統(tǒng)稱，性別識別、年齡估計、姿態(tài)估計、表情識別都是相互獨立的算法。但最新的一些基于深度學(xué)習(xí)的人臉屬性識別也具有一個算法同時輸入性別、年齡、姿態(tài)等屬性值的能力。

圖3、人臉屬性識別過程(最右側(cè)文字為屬性識別結(jié)果)

“人臉提特征(Face Feature ExtracTIon)”是將一張人臉圖像轉(zhuǎn)化為一串固定長度的數(shù)值的過程。這個數(shù)值串被稱為“人臉特征(Face Feature)”，具有表征這個人臉特點的能力。

人臉提特征過程的輸入也是 “一張人臉圖”和“人臉五官關(guān)鍵點坐標(biāo)”，輸出是人臉相應(yīng)的一個數(shù)值串(特征)。人臉提特征算法都會根據(jù)人臉五官關(guān)鍵點坐標(biāo)將人臉對齊預(yù)定模式，然后計算特征。

近幾年來，深度學(xué)習(xí)方法基本統(tǒng)治了人臉提特征算法，這些算法都是固定時長的算法。早前的人臉提特征模型都較大，速度慢，僅使用于后臺服務(wù)。但最新的一些研究，可以在基本保證算法效果的前提下，將模型大小和運(yùn)算速度優(yōu)化到移動端可用的狀態(tài)。

圖4、人臉提特征過程(最右側(cè)數(shù)值串為“人臉特征”)

“人臉比對(Face Compare)”是衡量兩個人臉之間相似度的算法