做网站的程序员留备份,手机端网站开发技术,简述网站建设评估的指标有哪些,河南省建设厅官方网站郭风春来源#xff1a;机器视觉概要#xff1a;人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小#xff1b;对于跟踪而言#xff0c;还需要确定帧间不同人脸间的对应关系。一 、人脸检测/跟踪人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小机器视觉概要人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小对于跟踪而言还需要确定帧间不同人脸间的对应关系。一 、人脸检测/跟踪人脸检测/跟踪的目的是在图像/视频中找到各个人脸所在的位置和大小对于跟踪而言还需要确定帧间不同人脸间的对应关系。 1. Robust Real-time Object Detection. Paul Viola, Michael Jones. IJCV 2004.入选理由Viola的人脸检测工作使得人脸检测真正变得实时可用。他们发表了一系列文章这篇是引用率最高的一篇。 2. Fast rotation invariant multi-view face detection based on real Adaboost. Bo Wu, Haizhou Ai, Chang Huang, Shihong Lao. AFGR 2004. 人选理由:自viola之后有很多改进文章这篇文章只是其中之一。之所以选择这篇是因为其贡献点相对比较多一是因为这篇文章第一次将real adaboost应用于物体检测二是其提出了一个比较成熟实用的多姿态人脸检测框架三是其提出的nest结构对cascade结构的改进确实有不错的效果。 3. Tracking in Low Frame Rate Video: A Cascade Particle Filter with Discriminative Observers of Different Life Spans. Yuan Li, Haizhou Ai, Yamashita T., Shihong Lao. CVPR 2007. 入选理由人脸跟踪是人脸识别中非常重要的模块。这篇文章是比较好的将人脸检测模型与跟踪进行结合将离线模型和在线模型结合的工作而且获得了CVPR 2007 Best Student Paper是中国大陆学生第一次获此殊荣。 二、人脸特征点定位人脸特征点定位的目的是在人脸检测/跟踪获取的人脸区域的基础上进一步确定脸部特征点眼睛、嘴巴中心点、眼睛、嘴巴轮廓特征点、器官轮廓特征点等的位置。人脸特征点定位的基本思路主要是将人脸局部器官的纹理特征和器官特征点之间的位置约束进行结合来进行处理。 4. Active Shape Models-Their Training and Application. T. F. COOTES, C. J. TAYLOR, D. H. COOPER, AND J. GRAHA. COMPUTER VISION AND IMAGE UNDERSTANDING. 1995.入选理由早期的人脸特征点定位很多工作主要集中在定位眼球中心点和嘴巴中心点等两三个关键点上但是后来慢慢大家认为引入更多的点并加入相互约束会提高定位精度和稳定性。ASM是后来被大家所follow最多的将数十个脸部特征点的纹理和位置关系约束一起考虑来进行计算的模型COOTES的这篇文章发表于1995年绝对是开先河之作绝对经典。 5. Boosted Regression Active Shape Models. David Cristinacce and Tim Cootes. BMVC, 2007.入选理由ASM相关改进的文章非常多最值得一提的当然是AAM也是cootes最早提出模型除此之外还有一个非常重要的思路就是改进原文章基于边缘的纹理模型。个人认为这篇文章中所给出的基于回归方式表示纹理模型的方式比基于分类表观模型的方法更有前途因为是cootes的文章自然就更应该被推荐。 6. Face Alignment by Explicit Shape Regression. Xudong Cao, Yichen Wei, Fang Wen, Jian Sun. CVPR 2012.入选理由这篇文章是上述提到的ASM相关改进的另外一个方向就是对形状模型本身的改进。这篇文章没有用PCA去约束形状模型而是基于训练样本的线性组合来约束形状。而且其在alignment的效果(LFPW测试集)上是目前看到最好的此外这个方法的速度非常快。由于是MSRA孙剑组的文章确实应该被关注更多。 三、人脸表示 人脸表示是指根据人脸特征点的位置对人脸进行几何校正并割取人脸区域归一化到固定大小之后得到最具有鉴别区分能力的特征的过程。 7. Eigenfaces for recognition. M. Turk and A. Pentland. Journal of Cognitive Neuroscience. 1991.入选理由这需要理由吗基于PCA的特征脸是人脸识别最经典的算法之一虽然今天PCA在实际系统中更多的是用来降维而不是用来分类但是这么经典的方法还是要关注的。其实基于LDA的方法也非常经典不过考虑到篇幅有限就不再列举了。 8. Local Gabor Binary Pattern Histogram Sequence (LGBPHS):A Novel Non-Statistical Model for Face Representation and Recognition入选理由个人认为这可能是最接近于很多成熟商用系统思路的文章不等同于实际系统就是这样。在很多实际系统中一个提取鉴别信息的框架就是PCALDA,用PDA进行降维避免LDA求解的矩阵奇异问题然后用LDA提取更适合分类的特征进一步将各种原始特征(Gabor, LBP等)进行鉴别特征提取后进行决策级融合。此外对人脸进行分块然后ensemble融合也是非常重要的提高系统效果的思路。 9. Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification. Dong Chen. Xudong Cao. Fang Wen. Jian Sun. CVPR 2013.入选理由LFW是目前最接近实际数据的人脸识别库虽然其测试协议有一些不尽合理的地方但是如果能在LFW上面取得非常好的效果说明方法还是比较好的。而这篇MSRA 孙剑组发表在CVPR2013的文章在LFW上面取得了93%的准确率未引入外部数据的情况下。文章中的一个是采用精确定位点作为参考对人脸进行多尺度、多局部区域的表示思路很值得借鉴可以和各种表示方法结合。 10其实可以列在此处的论文非常多有各种子空间方法的改进有各种特征提取方法有各种基于metric learning的方法bunch graph将gabor应用于人脸识别的经典工作稀疏表示的方法feature learning 的方法等等。但是我都感觉不是特别满意。我总觉得人脸表示方面的工作还做得远远不够应该会有框架清晰简洁、易于实现、但效果绝佳的文章出现。现在的我会倾向于认为也许deep learning是一个方向。其实尝试将deep learning用在人脸识别上面的工作已经有一些但是结果都不是很惊艳百度的工作没有公开结果我列上一篇不够好但是效果勉强接近非deep learning方法的一篇Deep nonlinear metric learning with independent subspace analysis for face verification. X Cai, C Wang, B Xiao, X Chen, J Zhou. MM 2012.人脸识别在未来的一些可能方向1深度学习在人脸方面的应用目前已经看到deep learning在人脸表示和人脸特征点定位方面的工作相信后续会有更多更好的工作出现2大规模人脸搜索相关的应用近来开始被大家关注比如最近百度上线的人脸搜索这些应用中除了需要传统的人脸表示还需要关注如何能够快速准确地在大规模人脸数据库中搜索到相似人脸当然这部分工作可以借鉴其他视觉搜索中的方法但人脸可能也会有自己的特殊性3基于3D模型和具有深度信息的人脸识别的方法在允许使用特殊设备的实际应用中可以考虑用3D模型和深度信息来提高系统的稳定性4在做人脸识别实际系统时可以更关注姿态、遮挡、表情变化对于识别效果的影响对于人脸光照问题虽然之前学术界关注很多但是对于实际数据非实验室采集的光照模拟数据可能基于大规模训练数据和feature learning就可以比较好的解决反而是由于目前的人脸表示框架对于大的姿态变化遮挡以及表情变化引起的表观改变很多情况下表现并不好可能需要重新改变目前的人脸表示方式比如采用类似推荐论文9中的方式采用多个局部模型而不是一个整体模型来进行表示还可以考虑一些人脸姿态/表情矫正方法5学术界的朋友鉴于目前LFW上面已经做到准确率95%引入外部训练数据且无约束训练协议可以考虑创建一个更大的人脸库如果能达到真正意义上的大规模数据就更赞了设计一个更加合理全面的评测协议这必将成为一个非常有影响力的工作未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能互联网和脑科学交叉研究机构。由互联网进化论作者计算机博士刘锋与中国科学院虚拟经济与数据科学研究中心石勇、刘颖教授创建。未来智能实验室的主要工作包括建立AI智能系统智商评测体系开展世界人工智能智商评测开展互联网城市云脑研究计划构建互联网城市云脑技术和企业图谱为提升企业行业与城市的智能水平服务。 如果您对实验室的研究感兴趣欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
