1. 人臉檢測

“人臉檢測(Face Detection)”是檢測出圖像中人臉所在位置的一項技術。

人臉檢測算法的輸入是一張圖片，輸出是人臉框坐標序列(0個人臉框或1個人臉框或多個人臉框)。一般情況下，輸出的人臉坐標框為一個正朝上的正方形，但也有一些人臉檢測技術輸出的是正朝上的矩形，或者是帶旋轉方向的矩形。

常見的人臉檢測算法基本是一個“掃描”加“判別”的過程，即算法在圖像范圍內掃描，再逐個判定候選區域是否是人臉的過程。因此人臉檢測算法的計算速度會跟圖像尺寸、圖像內容相關。開發過程中，我們可以通過設置“輸入圖像尺寸”、或“最小臉尺寸限制”、或“人臉數量上限”的方式來加速算法。

?

圖1、人臉檢測結果舉例(綠色框為人臉檢測結果)

2. 人臉配準

“人臉配準(Face Alignment)”是定位出人臉上五官關鍵點坐標的一項技術。

人臉配準算法的輸入是“一張人臉圖片”加“人臉坐標框”，輸出五官關鍵點的坐標序列。五官關鍵點的數量是預先設定好的一個固定數值，可以根據不同的語義來定義(常見的有5點、68點、90點等等)。

當前效果的較好的一些人臉配準技術，基本通過深度學習框架實現，這些方法都是基于人臉檢測的坐標框，按某種事先設定規則將人臉區域扣取出來，縮放的固定尺寸，然后進行關鍵點位置的計算。因此，若不計入圖像縮放過程的耗時，人臉配準算法是可以計算量固定的過程。另外，相對于人臉檢測，或者是后面將提到的人臉提特征過程，人臉配準算法的計算耗時都要少很多。

?

圖2、人臉配準結果舉例(右圖中的綠色點位人臉配準結果)

3. 人臉屬性識別

“人臉屬性識別(Face Attribute)”是識別出人臉的性別、年齡、姿態、表情等屬性值的一項技術。

一般的人臉屬性識別算法的輸入是“一張人臉圖”和“人臉五官關鍵點坐標”，輸出是人臉相應的屬性值。人臉屬性識別算法一般會根據人臉五官關鍵點坐標將人臉對齊(旋轉、縮放、扣取等操作后，將人臉調整到預定的大小和形態)，然后進行屬性分析。

常規的人臉屬性識別算法識別每一個人臉屬性時都是一個獨立的過程，即人臉屬性識別只是對一類算法的統稱，性別識別、年齡估計、姿態估計、表情識別都是相互獨立的算法。但最新的一些基于深度學習的人臉屬性識別也具有一個算法同時輸入性別、年齡、姿態等屬性值的能力。

?

圖3、人臉屬性識別過程(最右側文字為屬性識別結果)

4. 人臉提特征

“人臉提特征(Face Feature Extraction)”是將一張人臉圖像轉化為一串固定長度的數值的過程。這個數值串被稱為“人臉特征(Face Feature)”，具有表征這個人臉特點的能力。

人臉提特征過程的輸入也是 “一張人臉圖”和“人臉五官關鍵點坐標”，輸出是人臉相應的一個數值串(特征)。人臉提特征算法都會根據人臉五官關鍵點坐標將人臉對齊預定模式，然后計算特征。

近幾年來，深度學習方法基本統治了人臉提特征算法，這些算法都是固定時長的算法。早前的人臉提特征模型都較大，速度慢，僅使用于后臺服務。但最新的一些研究，可以在基本保證算法效果的前提下，將模型大小和運算速度優化到移動端可用的狀態。

?

圖4、人臉提特征過程(最右側數值串為“人臉特征”)

5. 人臉比對(人臉驗證、人臉識別、人臉檢索、人臉聚類)

“人臉比對(Face Compare)”是衡量兩個人臉之間相似度的算法