资源分类
》 资源 》算法》MTCNN-face_detection_alignment

MTCNN-face_detection_alignment

2020-02-14 | |  43 |   0 |   0

图片.png

MTCNN for face detection and alignment

程序简介

本项目的主要应用场景为人群计数，配合HIKVISION高清摄像头，整体误差为1.731%。
 
 
如何处理视频中的重复人脸？
人群计数的场景，大部分人脸为未登记人脸，本项目能够对每个抽取的人脸自动建立向量，采用Discriminant Adaptive Nearest Neighbor Classification算法自动去重，防止重复计数。
 
 
一个神经网络结构如何做到识别海量人脸？
基于FaceNet: A Unified Embedding for Face Recognition and Clustering和Deep Face Recognition，我们得到了改进的Facenet神经网络结构。具体论文：Finding Tiny Faces，本文方法通过对卷积核和全连接层的拉伸和维度扩张，大大增强了单网络的识别能力。
 
 
如何做人脸对齐？
采用Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks策略方法，分三阶段提取人脸的五官信息。
 
 
人群计数适用什么场景？

  1. 交通路口、通道出入口的人数统计

  2. 集会、游行、示威的人数统计

  3. xxx

如何使用

# predictpython predict.py --input-data-dir ./test# trainsh run.sh

训练数据说明

如果自己练习使用，可以采用如下数据：

  1. WIDER FACE for face classification and face bounding box regression.

  2. CNN FACE for landmark regression.

如果你需要工业级别应用的高性能、高准确、高召回的工程，可以联系我。

主干网络

图片.png

在人群计数领域，我得到了98.269%的准确率；
在五官对齐领域，我得到了75.622%的MAP；

附：五官对齐效果图

图片.png

参考

[1]Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
[2]Discriminant Adaptive Nearest Neighbor Classification
[3]FaceNet: A Unified Embedding for Face Recognition and Clustering
[4]Deep Face Recognition
[5]Finding Tiny Faces


上一篇：MTCNN-Accelerate-Onet

下一篇：yolov2-tensorflow

用户评价
全部评价

热门资源

  • seetafaceJNI

    项目介绍 基于中科院seetaface2进行封装的JAVA...

  • spark-corenlp

    This package wraps Stanford CoreNLP annotators ...

  • Keras-ResNeXt

    Keras ResNeXt Implementation of ResNeXt models...

  • capsnet-with-caps...

    CapsNet with capsule-wise convolution Project ...

  • shih-styletransfer

    shih-styletransfer Code from Style Transfer ...