人臉對齊:人臉關鍵點資料庫
轉載自:http://blog.csdn.net/xzzppp/article/details/74939823
一、人臉關鍵點檢測資料庫
(2001年釋出)BioID :約1000幅影象,每個人臉標定20個關鍵點。
https://www.bioid.com/About/BioID-Face-Database
(2011年釋出)LFPW:1132幅影象,每個人臉標定29個關鍵點
http://neerajkumar.org/databases/lfpw/
(2011年釋出)AFLW:25993幅影象,每個人標定21個關鍵點
https://lrs.icg.tugraz.at/research/aflw/
(2013年釋出)COFW:1852幅影象,每個人臉標定29個關鍵點
http://www.vision.caltech.edu/xpburgos/
(2014年釋出)ICCV13/MVFW :2500幅影象,每個人臉標定68個關鍵點
https://sites.google.com/site/junliangxing/codes
(2014年釋出)OCFW: 3837幅影象,每個人臉標定68個關鍵點
https://sites.google.com/site/junliangxing/codes
(2016年釋出)300-W :600幅影象,每個人標定68個關鍵點
http://ibug.doc.ic.ac.uk/resources/300-W_IMAVIS/
LFW:http://vis-www.cs.umass.edu/lfw/
(2013年釋出)HELEN:348幅影象,每個人標定29個關鍵點
http://www.f-zhou.com/fa_code.html
(2015年釋出)CelebA:10177個人,共202599幅人臉影象,每個人5個關鍵點
http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html
二、人臉關鍵點檢測最新方法調研
1、TCDCN:Learning and Transferring Multi-task Deep Representation for Face Alignment,2014
速度:1.5ms on GTX760,17ms on inter core i5 cpu。 精度:IBUG資料集上9.15%error,優於LBF的11.98%;AFLW資料集上優於cascade CNN;300-W資料集上優於LBF,對難樣本效果更好。 CNN卷積神經網路方法。
2、LBF:Face alignment at 3000 fps via regressing local binary features, 2014
速度:PC上至少300fps,最快3000fps。 精度:LFPW資料集error=3.35%,helen資料集達到5.41%; 300-w資料集一般圖片error=4.95%,難圖片11.98%,處理簡單樣本效果更好。比一些2013年前較差方法好。 傳統方法,決策樹。
3、cascade CNN:Deep Convolutional Network Cascade for Facial Point Detection,2013
速度:CPU上0.12s,在gtx1070測試8ms左右。 精度:BioID、LFPW資料集上與2012年之前的方法做對比,沒有與最新方法比,測試效果一般。CNN級聯結構。
4、MCSR(目前300-w排名第一):M3 CSR: Multi-view, multi-scale and multi-component cascade,2016
速度:within 50ms on i7 CPU。 精度:IBUG資料集上5.65%,優於TCDCN的9.15%error,優於LBF的11.98%;
5、(目前300-w排名第二)Approaching human level facial landmark localization by deep learning,2016
速度:0.5s on i7 cpu。 精度:在300-w資料集上error:common=3.43,challenge=5.72,full=3.88,明顯優於TCDCN、LBF。 CNN級聯結構。
6、MDM:Mnemonic Descent Method:A recurrent process applied for end-to-end face alignment, 2016
速度:不詳。 精度:300W資料集上,threshold=0.08時,51點error=4.2%,68點error=6.8%。 效果優於Face++,yan et al,CFSS。 CNN+RNN 深度學習方法
7、Face++:Extensive facial landmark localization with coarse-to-fine convolutional network cascade,2013
速度:不詳。 精度:300-w資料集上,threshold=0.08時,51點error=5%,68點error=8%,沒有與其他方法對比,此方法效果稍微差點。
8、CFSS:Face Alignment by Coarse-to-Fine Shape Searching, 2015
速度:25fps on i5 cpu。 精度:在300w資料集上,效果優於LBF和2013年之前的很多方法。在LFPW,Helen資料集上比較結果類似。 傳統方法
9、Unconstrained Face Alignment via Cascaded Compositional Learning,2016
速度:PC上cpu實現350FPS。 精度:AFLW上優於CFSS,LBF。 使用決策樹。
10、DRDA:Occlusion-free Face Alignment: Deep Regression Networks Coupled with De-corrupt AutoEncoders
速度:不詳。 精度:IBUG資料集上,和很多較差方法做對比,效果稍微優於LBF,和我上訴總結的方法沒有對比。
11、Wing Loss for RobustFacial Landmark Localisation with Convolutional Neural Networks.
速度:cpu 100/15/5 FPS 精度: 300w,common: 3.27,challenge: 7.18, Full: 4.04
相關推薦
人臉對齊:人臉關鍵點資料庫
轉載自:http://blog.csdn.net/xzzppp/article/details/74939823一、人臉關鍵點檢測資料庫(2001年釋出)BioID :約1000幅影象,每個人臉標定20個關鍵點。https://www.bioid.com/About/BioI
人臉對齊:人臉定點之DeepCNN第一階段
轉載部落格:https://blog.csdn.net/chenriwei2/article/details/49706563實驗過程:資料準備由於港中文[1]他們有公開了訓練集,所以我們就可以直接使用他們提供的影象庫就好了。 資料是需要轉化的:1、框出人臉影象部分,從新計算
人臉對齊:人臉定點
人臉定點資料集:https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/面部特徵點定位任務即根據輸入的人臉影象,自動定位出面部關鍵特徵點,如眼睛、鼻尖、嘴角點、眉毛以及人臉各部件輪廓點等,如下圖所示。這項技術的
人臉對齊:TCDNN人臉關鍵點演算法2014
《Facial Landmark Detection by Deep Multi-task Learning》發表於ECCV-2014,作者來自香港中文大學湯曉鷗團隊的Zhanpeng Zhang等人。創新點: 1.將MTL(多工學習)結合CNN應用到人臉關鍵點檢測 2.為解
人臉對齊:DCNN的人臉關鍵點檢測
一:目標 人臉關鍵點檢測是在人臉檢測的基礎上,對人臉上的特徵點例如眼睛、鼻子、嘴巴等進行定位。本例是使用caffe框架實現的結果,效果如下: 二:資料來源的製作 因為lmdb不支援多標籤,所以這裡使用的是hdf5格式,支援多標籤。 卷積神經網路可
人臉對齊:Wing Loss人臉關鍵點檢測演算法2018
Wing Loss for Robust Facial Landmark Localisation with Convolutional Neural Networks 由薩里大學研究人員(第一至四作者)與江南大學研究人員(第五作者)共同研究,被CVPR2018收錄,最早於2
人臉對齊:Look at Boundary: A Boundary-Aware Face Alignment Algorithm
《Look at Boundary: A Boundary-Aware Face Alignment Algorithm》 目錄 0 Abstract 本文提出了一種基於邊界輔助學習的Facial Landmark Detection方法。利用
人臉對齊:warpAffine仿射變換
下面介紹一些典型的仿射變換: (1)平移,將每一點移到到(x+t , y+t),變換矩陣為 (2)縮放變換 將每一點的橫座標放大或縮小sx倍,縱座標放大(縮小)到sy倍,變換矩陣為 (3)旋轉變換原點:目標圖形圍繞原點順時針旋轉Θ 弧度,變換矩陣為 (4
2D人臉對齊:《Look at Boundary: A Boundary-Aware Face Alignment Algorithm》
《Look at Boundary: A Boundary-Aware Face Alignment Algorithm》 目錄 0 Abstract 本文提出了一種基於邊界輔助學習的Facial Landmark Detect
人臉識別之人臉對齊(三)--AAM演算法原文: http://blog.csdn.net/colourfulcloud/article/details/9774017 AAM(Active Appear
原文: http://blog.csdn.net/colourfulcloud/article/details/9774017 AAM(Active Appearance Model)主動外觀模型主要分為兩個階段,模型建立階段和模型匹配階段。其中模型建立階段包括了對訓練樣本分別建立形狀模型(
人臉對齊演算法常用評價標準,人臉關鍵點的評價標準 人臉對齊演算法常用評價標準
原 人臉對齊演算法常用評價標準 2018年08月24日 09:43:50 Godswisdom 閱讀數:124 &l
人臉對齊 face alignment 或 人臉關鍵點檢測
圖片來源於網路 人臉對齊基本流程 1. 人臉預處理 識別:輸入影象-》人臉檢測-》人臉框圖片 歸一化:scaling+lighting+enlarging(資料增廣)-》歸一化後的臉部影象 2.shape的初始化 1)mean shape
SDM人臉對齊系列一:資料預處理
人臉對齊是人臉識別系統中很重要的一個環節,SDM是傳統人臉對齊演算法中效能較為不錯的一種,在今天這個深度學習如火如荼的時代,SDM依舊具有一定的優勢。SDM相比深度網路具有模型小,速度快等優點。儘管SDM已經出現了好幾年,但是網路上對其具體的詳細講解的知識還是比較少,
人臉識別之人臉對齊(九)--SDM演算法
轉自:http://blog.csdn.net/huneng1991/article/details/51901912 http://blog.csdn.net/qq_14845119/article/details/53520847 略刪改。 SDM(Supervis
人臉識別之人臉對齊(八)--LBF演算法
整體來看,其實 ,ESR是基礎版本的形狀迴歸,ERT將回歸樹修改為GBDT,由原始的直接回歸形狀,改進為迴歸形狀殘差,而LBF,是加速特徵提取,由原來的畫素差分特徵池,改為隨機選擇點。 轉自:http://blog.csdn.net/qq_14845119/article/de
人臉識別之人臉對齊(七)--JDA演算法
其實,這裡JDA之前在人臉檢測中解釋過,這裡再轉一篇的目的在於,此文更貼近論文,同時,JDA本來包含人臉檢測和人臉對齊,作為一個整體訓練和測試的。 轉自:http://blog.csdn.net/shixiangyun2/article/details/50809078 第一節: &nb
人臉識別之人臉對齊(六)--ERT演算法
1.概述 文章名稱:One Millisecond Face Alignment with an Ensemble of Regression Trees 文章來源:2014CVPR 文章作者:Vahid Kazemi ,Josephine Sullivan 簡要介紹:One Milliseco
人臉識別之人臉對齊(五)--ESR演算法
轉自:https://blog.csdn.net/app_12062011/article/details/52573024 原文:http://www.thinkface.cn/thread-2911-1-2.html 原文翻譯我看的好蛋疼,完全機器翻譯。甚至懷疑作者是否有通讀過一次
人臉識別之人臉對齊(四)--CLM演算法及概率圖模型改進
原文: http://blog.csdn.net/marvin521/article/details/11489453 04、概率圖模型應用例項 最近一篇文章《Deform
人臉對齊(二十一)--A Recurrent Encoder-Decoder Network for Sequential Face Alignment
轉自:https://blog.csdn.net/shuzfan/article/details/52438910 本次介紹一篇關於人臉關鍵點檢測(人臉對齊)的文章: 《ECCV16 A Recurrent Encoder-Decoder Network for Sequential Fac