2015人脸检测研究进展
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: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
[MSR-TR-2010] 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》
[CVIU 2015] A Survey on Face Detection in the wild past, present and future
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,
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/ (不错的报告)
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
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:[IJCB 2014] 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:[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
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
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.
转载出处:http://www.cvrobot.net/latest-progress-in-face-detection-2015/。
2015人脸检测研究进展相关推荐
- 人脸检测研究最新进展
摘 要:人脸检测研究在近几十年的时间内取得了长足的进步,在生活中的各个方面得到了广泛的应用.本文首先对人脸检测进行了简单的介绍,然后介绍了人脸检测的两个比较大的评测网站,人脸检测的评价指标,在后续介绍 ...
- 三维人脸识别研究进展综述(附pdf)
近年来,三维人脸识别研究取得了较大进展.相比二维人脸识别,三维人脸识别更具有优势,主要特点是在识别中利用了三维形状数据.该文首先根据三维形状数据的来源,将三维人脸识别分为基于彩色图像的三维人脸识别. ...
- 人脸检测技术即matlab的实现,人脸检测研究及MATLAB实现.doc
摘要:随着计算机视觉技术的不断发展,各种识别技术已经成功投入使用,服务于我们的日常生活中,其中对于人脸的识别技术应用最为广泛.人脸检测作为识别领域最为重要的一个分支,其应用领域十分广阔.人脸检测通过对 ...
- 高斯肤色概率模型matlab,基于肤色模型与模板匹配的人脸检测研究
摘要:本文提出了一种基于肤色模型与模板匹配的人脸检测方法.基于YCbCr色彩空间的高斯概率模型,对肤色进行相似度计算和二值化分割,采用形态学对二值化后的图像去噪处理,随后又利用人脸先验知识进一步排除非 ...
- 基于深度学习的目标检测研究进展
前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位 ...
- 【深度学习】基于深度学习的目标检测研究进展
原文出处:http://chuansong.me/n/353443351445 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个 ...
- 高分辨率遥感图像目标检测和场景分类研究进展
本文按照西北工业大学程塨老师的高分辨率遥感图像目标检测和场景分类研究进展汇报进行整理,需要的同学可借此了解遥感图像相关知识~ 高分辨率遥感图像目标检测和场景分类 一.背景介绍 1.时间轴 2.应用 3 ...
- 人脸检测总结报告(2018_1_20-2018_1_30)
一.总述 根据Yang,Kriegman,and Ahuja(2002)的分类,人脸检测的方法分为基于特征的.基于模板的和基于表观的方法. 基于特征的方法,尝试寻找有区分性的图像特征的位置,比如眼睛. ...
- 深度学习在人脸检测中的应用 | CSDN 博文精选
作者 | 梁志成.刘鹏.陈方杰 责编 | 唐小引 转载自CSDN(ID:csdnnews) 在目标检测领域,可以划分为人脸检测与通用目标检测,往往人脸这方面会有专门的算法(包括人脸检测.人脸识别.人脸 ...
最新文章
- android ffmpeg 编码h264,Mac系统下ffmpeg+h264+flv编码的android录制屏幕实现2
- 三维空间点进行空间平面拟合原理及MATLAB和C++代码实现
- 陶哲轩之后,有人在这个猜想的证明之路上又前进了一步
- 值得推荐的好书——评《亮剑.NET.图解C#开发实战》
- 【Go】语法基础之结构体
- Uipath开发过程中最常见的5类错误
- 超级日志服务器-Splunk
- oracle安装后新建数据库实例及配置
- unity怎么制作云飘动_Unity 如何制作星空粒子效果?
- win10证书服务器不可用,win10系统提示“安全证书的吊销信息不可用”的修复方法...
- 云计算与 Cloud Native | 数人云CEO王璞@KVM分享实录
- ActiveMQ - 持久化消息与持久主题订阅
- Atitit. 注册表操作查询 修改 api与工具总结 java c# php js python 病毒木马的原理
- UCI糖尿病数据利用逻辑回归算法进行训练和预测
- java去掉转义字符,双引号,全角空格
- 狂神说Java系列视频教程之docker(记录到swarm安装)
- 林肯公园(LINKIN PARK)上海演唱会观众座位表(转帖)
- shopex php5.3 无法安装,php版本导致shopex4.8.5安装的问题_PHP教程
- React Native之九宫格布局
- java枚举类型转换_java枚举类型enum值与整数的转换