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?
交通路口、通道出入口的人数统计
集会、游行、示威的人数统计
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:
WIDER FACE for face classification and face bounding box regression.
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
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
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