本文是《人脸识别完整项目实战》系列博文第1部分，第2节《项目系统架构设计》，本章内容系统介绍：人脸系统系统的项目架构设计，包括：业务架构、技术架构、应用架构和数据架构四部分内容。
人脸对齐与特征点跟踪的过程中，遮挡和大的姿态变化是无可避免的，在跟踪过程中这往往带来特征点的跳变，影响用户体验。
本文是《人脸识别完整项目实战》系列博文第1章《目录大纲篇》，本章内容系统介绍，《人脸识别项目完整实战》系列博文的目录结构，共8大部分53个章节。
机器之心专栏 作者：网易互娱AI Lab 网易互娱 AI Lab 提出了一种基于单幅图片的实时高分辨率人脸重演算法，分别在台式机 GPU 和手机端 CPU 上支持以实时帧率生成 1440x1440 和 256×256 分辨率的人脸重演图像。 近年来，面部重演 (Face Reenactment) 技术因其在媒体、娱乐、虚拟现实等方面的应用前景而备受关注，其最直接的帮助就是能够帮助提升音视频的制作效率。 面部重演算法是一类以源人脸图像作为输入，可以将驱动人脸的面部表情和头部姿态迁移到源图像中，同时保证在迁移
人脸识别技术一般包括四个组成部分，分别为人脸图像采集、人脸图像预处理、人脸图像特征提取以及匹配与识别，具体来说：
本文介绍了人脸对齐领域的一种算法——主动形状模型（ASM），它是一种基于点分布模型（PDM）的算法，通过全局和局部的形状约束条件，利用最小二乘法拟合出人脸形状，同时介绍了ASM的流程和具体实现细节。
人像美妆是近几年来深受广大女孩儿群体喜欢的修图功能之一，目前市面中做的比较好的有美妆相机、玩美彩妆、天天P图等APP，当然还有一些PC专用的秀图软件，本文将给大家做个算法初识；
近日，来自德国亚琛工业大学的研究人员开源了形状拟合库ShapeNet,其可以实现超实时的人脸特征点检测，也可以用在其他任何需要形状拟合的应用场景。
面部特征点定位任务即根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，如下图所示。 这项技术的应用很广泛，比如自动人脸识别，表情识别以及人脸动画自动合成等。由于不同的姿态、表情、光照以及遮挡等因素的影响，准确地定位出各个关键特征点看似很困难。我们简单地分析一下这个问题，不难发现这个任务其实可以拆分出三个子问题： 如何对人脸表观图像（输入）建模 如何对人脸形状（输出）建模 如何建立人脸表观图像（模型）与人脸形状（模型）的
今天arXiv新发布的文章《PFLD: A Practical Facial Landmark Detector》，则是实用人脸特征点检测算法的典范。
面部特征点定位任务即根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，如下图所示。 这项技术的应用很广泛，比如自动人脸识别，表情识别以及人脸动画自动合成等。由于不同的姿态、表情、光照以及遮挡等因素的影响，准确地定位出各个关键特征点看似很困难。我们简单地分析一下这个问题，不难发现这个任务其实可以拆分出三个子问题： 1. 如何对人脸表观图像（输入）建模 2. 如何对人脸形状（输出）建模 3.如何建立人脸表
面部特征点定位任务即根据输入的人脸图像，自动定位出面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，如下图所示。
本文是《人脸识别完整项目实战》系列博文第1部分，第一节《完整项目运行演示》，本章内容系统介绍：人脸系统核心功能的运行演示。
本文提出了一种用于人脸对齐的密集人脸对齐算法，该算法使用3DMM模型和基于CNN的深度学习模型。该算法可以处理不同姿态、表情和光照条件的人脸图像，并保持人脸图像的稠密度。该算法使用三个损失函数，包括形状损失、纹理损失和光照损失。实验结果表明，该算法在人脸对齐和人脸识别任务上获得了良好的性能。
人机交互的活体检测方法需要通过对人脸做出实时响应来判断是否为活体，通常采用的方法有脸部姿态和读取指定数字等。
们生存的这个星球上，居住着70多亿人。每个人的面孔组成部分相同，它们之间的大体位置关系也是固定的，并且每张脸的大小差异也不大。然而，它们居然就形成了那么复杂的模式——即使是面容极其相似的双胞胎，也能由微妙的差别区分出来。人脸特征如同指纹一样，无法找到完全相同的存在。那么，区分如此众多的不同人脸的“特征”到底是什么？是否可以设计出与人类一样能够自动识别人脸的机器？这是近几十年来被广泛研究着的热门问题。随着AI技术的发展，也取得了显著的突破。
前一段时间用于人物换脸的deepfake火爆了朋友圈，早些时候Cycle GAN就可以轻松完成换脸任务，其实换脸是计算机视觉常见的领域，比如Cycle GAN ，3dmm，以及下文引用的论文均可以使用算法实现换脸(一定程度上能模仿表情)，而不需要使用PS等软件手工换脸（表情僵硬，不符合视频上下文），只能说deepfake用一个博取眼球的角度切入了换脸算法，所以一开始我并没有太过关注这方面，以为是Cycle GAN干的，后来隐约觉得不对劲，因为GAN系列确实在image to image领域有着非凡的成绩，但GAN的训练是出了名的不稳定，而且收敛时间长，某些特定的数据集时不时需要有些trick，才能保证效果。但deepfake似乎可以无痛的在各个数据集里跑，深入阅读开源代码后(https://github.com/deepfakes/faceswap)，发现这东西很多值得一说的地方和优化的空间才有了这一篇文章。 本文主要包括以下几方面： １.解读deepfake的model和预处理与后处理的算法以引用论文。（目前大多文章只是介绍了其中的神经网络，然而这个项目并不是单纯的end-to-end的输出，所以本文还会涉及其他CV的算法以及deepfake的介绍）。 ２.引入肤色检测算法，提升换脸的视觉效果。
该文内容较老，但对入门者还是有很强的学习意义，可以了解人脸识别的历程与技术发展。 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 rotatio
本文介绍了人脸对齐的定义、任务、应用、常用算法以及难点，并介绍了当前有哪些对齐算法和深度网络模型，最后列举了人脸对齐在移动端选择对齐算法时需要考虑的几个问题。
【新智元导读】在一篇已经被ICCV 2017接收的论文中，诺丁汉大学的研究人员提出了他们号称是迄今最大3D人脸对齐数据集，以及精准实现2D、3D以及2D到3D人脸对齐的网络。研究人员用《我们距离解决2D&3D人脸对齐问题还有多远》为题，首次调查了在所有现有2D人脸对齐数据集和新引入的大型3D数据集上，距离达到接近饱和性能（saturating performance）还有多远。 ImageNet百万级精准标记数据集开启了图像识别新时代，人们也由此意识到，数据跟算法同样重要。为了构建更好的模型和算法，越来越多
今天带来一篇人脸识别中的颜值打分技术，所谓“颜值”，基于什么标准来评判高低呢？既然是个“数值”，那到底能不能“测量”一下？
前言 前一段时间用于人物换脸的deepfake火爆了朋友圈，早些时候Cycle GAN就可以轻松完成换脸任务，其实换脸是计算机视觉常见的领域，比如Cycle GAN ，3dmm，以及下文引用的论文均可以使用算法实现换脸(一定程度上能模仿表情)，而不需要使用PS等软件手工换脸（表情僵硬，不符合视频上下文），只能说deepfake用一个博取眼球的角度切入了换脸算法，所以一开始我并没有太过关注这方面，以为是Cycle GAN干的，后来隐约觉得不对劲，因为GAN系列确实在image to image领域有着非凡的成
作者简介：atilazhang(张子鋆)，天天P图 iOS 工程师 使用常规的三角贴合的方式给唇部上色，在大多数情况下都表现良好。但是在唇部形态较之正常形态发生较大变化时，比如在嘟嘴，张嘴与抿嘴的场
本文是《人脸识别完整项目实战》系列博文第3部分：程序设计篇（Python版），第1节《Python实时视频采集程序设计》，本章内容系统介绍：基于Python+opencv如何实现实时视频采集。
本文是《人脸识别完整项目实战》系列博文第14章《实时人脸特征点标定程序设计》，本章内容详细介绍Win10 环境下，基于Visual Studio 2015 + Opencv + Dlib开发环境，如何实现实时视频流人脸特征点标定程序的设计。本文内容已经同步录制成视频课程，课程地址：《人脸识别完整项目实战》
landmark是一种人脸部特征点提取的技术，Dlib库中为人脸68点标记，在《调用Dlib库进行人脸关键点标记》一文中有效果和标定点序号的示意图。今后可采用landmark中的点提取眼睛区域、嘴巴区域用于疲劳检测，提取鼻子等部分可用于3D姿态估计。 Dlib库使用《One Millisecond Face Alignment with an Ensemble of Regression Trees》CVPR2014中提及的算法：ERT（ensemble of regression
Pine 发自 凹非寺 量子位 | 公众号 QbitAI DeepFake被用到了电信诈骗里，该怎么破？ 让他转过头，看看他的侧脸就好了。 DeepFake一直以来都存在着这样一个漏洞：当伪造的人脸完全侧着（转90°）时，真实性就会急剧下降。 为什么会出现这样的结果呢？ 外网有这么一篇文章，解析了为什么在侧脸的情况下，面部伪造的效果大打折扣。 侧脸失真的原因 横向限制 使用DeepFake换脸，当人脸是侧角度时，真实性会急剧下降。 这是因为大多数基于2D的面部对齐算法，视捕捉到侧视图的特征点数量仅为主视
本系列的前一篇文章介绍了如何使用iOS中自带的API对图片中的矩形区域进行分析。在图像静态分析方面，矩形区域分析是非常基础的部分。API还提供了更多面向应用的分析能力，如文本区域分析，条形码二维码的分析，人脸区域分析，人体分析等。本篇文章主要介绍这些分析API的应用。关于矩形识别的基础文章，链接如下：
导读：在本文中，我们将会接触到一个既熟悉又陌生的概念——人脸识别。之所以熟悉，是因为人脸识别技术在我们日常生活中应用极其广泛，例如火车站刷脸验票进站、手机人脸解锁等；之所以陌生，是因为我们可能并不了解人脸识别的原理，不了解人脸识别的任务目标、发展历程与趋势。
今天给大家带来一篇人脸识别中的脸型识别，不同的脸型适合的眼镜发型不同，那么计算机要如何基于人脸图像来确定脸型呢？
我们前面分享了PCA,Fisher Face,LBPH三种传统的人脸识别算法，Dlib人脸检测算法。今天我们开始分享一下MTCNN算法，这个算法可以将人脸检测和特征点检测结合起来，并且MTCNN的级联结构对现代的人脸识别也产生了很大的影响。上篇为大家介绍MTCNN的算法原理和训练技巧，下篇为大家解析MTCNN算法的代码和进行demo演示。论文地址为：https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、中国香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过
人脸识别是近两年计算机视觉领域创业热潮中的一个热门方向，DeepID是这股热潮中不可忽视的一种人脸算法。针对DeepID的研发心得，人脸识别应用的现状、难点与未来，深度学习的实践经验等问题，CSDN记者近日采访了DeepID人脸算法发明者孙祎。 孙祎先后就读于清华大学、香港中文大学，2013年在CVPR上发表了用深度学习做面部特征点检测最早的论文。随后陆续发表了四篇在人脸识别领域有影响力的论文（ICCV’13，CVPR’14，NIPS’14，CVPR’15），使深度学习方法的人脸识别准确率远远超过了人眼的准
此前，机器之心报道过三星人工智能研究中心和伦敦帝国理工学院提出的新型端到端系统，仅凭一张人脸照片和一段音频，就可以生成新的讲话或唱歌视频。
向大家推荐一款基于PyTorch实现的快速高精度人脸特征点检测库，其在CPU上的运行速度可达100 fps。
最近耗费了巨大的心思为客户设计了人脸识别系统。这是我第一次利用人工智能技术为客户和自己产生收益。虽说人脸识别技术到目前为止已经非常成熟，但从“知行合一”的角度而言，很多人并没有真正掌握其根本原理，之所以有这个结论是因为，我相信绝大多数技术工作者自己无法通过编码来实现一套可商用的人脸识别系统，对技术而言，你做不到就等于你不懂。
人像静态/动态贴纸特效几乎已经是所有图像视频处理类/直播类app的必需品了，这个功能看起来复杂，实际上很简单，本文将给大家做个详细的讲解。
Boosted Regression Active Shape Models British Machine Vision Conference 2007
高精度，速度快，模型小是人脸关键点的实际使用必不可少的要求。为了同时考虑这三个问题，本文研究了一个整洁的模型，该模型在野外环境(如无约束的姿态、表情、光照和遮挡条件)和移动设备上的超实时速度下具有良好的检测精度。更具体地说，我们定制了一个与加速技术相关的端到端single stage 网络。在训练阶段，对每个样本进行旋转信息进行估计，用于几何规则的关键点定位，然后在测试阶段不涉及。在考虑几何规则化的基础上，设计了一种新的损失算法通过调整训练集中不同状态（如大姿态、极端光照和遮挡）的样本权重，来解决数据不平衡的问题。我们进行了大量的实验来证明我们的有效性，在被广泛采用的具有挑战性的基准测试中， 300W(包括iBUG, LFPW, AFW, HELEN，以及XM2VTS)和AFLW，设计并显示其优于最先进的替代品的性能。我们的模型只有2.1Mb 大小和达到140帧/张在手机上 (高通ARM 845处理器)高精度，适合大规模或实时应用。
本文提出了一种不需要人脸检测的人脸对齐方法。该方法分为两个步骤：1）Basic Landmark Prediction Stage，通过人脸特征点检测；2）Whole Landmark Regression Stage，基于人脸特征点位置，使用一个 Pose Splitting Layer 生成人脸的姿态。该方法可以用于任意姿态的人脸对齐，不需要人脸检测，且在实验中取得了不错的效果。
本文提出了一种端到端可微的人脸检测方法，通过结合3D Mean Face Model和CNN实现。首先，通过学习一个3D Mean Face Model，将2D图像映射到3D形状。然后，使用一个CNN来估计3D模型的参数，同时预测人脸的十个关键特征点。最后，在AFW和FDDB数据集上进行了实验，取得了不错的效果。
点击上方↑↑↑“OpenCV学堂”关注我来源：公众号 机器之心 授权 看似「天衣无缝」的伪造技术，也是有漏洞的。 视频伪造是 Deepfake 技术最为主要的代表，其制作假视频的技术也被称为人工智能换脸（AI face swap)。一直以来，研究者发现 DeepFake 存在着这样一个漏洞：当伪造人脸头部转到 90 度时（侧脸 90 度），对方就能识别视频中的人脸是不是伪造的。 这是怎么回事呢？在最近的一项测试中，技术专家兼评论员 Bob Doyle 允许研究人员进行一些关于人脸伪造的测试，期间研究人员采用
人脸识别技术作为一种生物识别技术，在过去几十年中经历了显著的发展。其发展可以分为几个主要阶段，每个阶段都对应着特定的技术进步和应用模式的变化。
选自metaphysic.ai 作者：Martin Anderson 机器之心编辑部 看似「天衣无缝」的伪造技术，也是有漏洞的。 视频伪造是 Deepfake 技术最为主要的代表，其制作假视频的技术也被称为人工智能换脸（AI face swap)。一直以来，研究者发现 DeepFake 存在着这样一个漏洞：当伪造人脸头部转到 90 度时（侧脸 90 度），对方就能识别视频中的人脸是不是伪造的。 这是怎么回事呢？在最近的一项测试中，技术专家兼评论员 Bob Doyle 允许研究人员进行一些关于人脸伪造的测试，
1.概述 文章名称：One Millisecond Face Alignment with an Ensemble of Regression Trees 文章来源：2014CVPR 文章作者：Vahid Kazemi ，Josephine Sullivan 简要介绍： One Millisecond Face Alignment with an Ensemble of Regression Trees算法（以下简称GBDT）是一种基于回归树的人脸对齐算法，这种方法通过建立一个级联的残差回归树（GBD
我们知道人脸识别在这几年应用相当广泛，人脸考勤，人脸社交，人脸支付，哪里都有这黑科技的影响，特别这几年机器学习流行，使得人脸识别在应用和准确率更是达到了一个较高的水准。
自2017年开始，“AIoT”一词便开始频频刷屏，成为物联网的行业热词。“AIoT”即“AI+IoT”，指的是人工智能技术与物联网在实际应用中的落地融合。当前，已经有越来越多的人将AI与IoT结合到一起来看，AIoT作为各大传统行业智能化升级的最佳通道，已经成为物联网发展的必然趋势。本场chat我们一起学习什么是AIoT，如何入门AIoT开发，在人工智能物联网时代来临之前做好知识储备。
本系列为吴恩达老师《深度学习专项课程(Deep Learning Specialization)》学习与总结整理所得，对应的课程视频可以在这里查看。
目标检测通常采用传统的密集滑窗的方式或者当前主流的铺设锚点框（anchor）的检测方式，但不管哪种方式都不可避免地需要针对特定数据集设计甚至优化滑窗或锚点框超参数，从而增加了训练难度并限制了检测器的通用性。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
