美顏SDK人臉表情識別技術詳解

人臉識別 ，是 美顏 SDK 大部分功能實現的先決條件，比如貼紙 、 化妝，這些都需要 用到人臉關鍵點識別技術，其次人臉關鍵點識別、 面部表情識別， 可以幫助美顏工具實現更多細分的趣味拍攝功能。下文 ， 小編將為大家講解一下美顏 SDK 的面部表情識別 技術。

一、面部識別

美顏 SDK 人臉檢測基本上是所有與人臉相關的任務中都包含的一個預處理模組，它把人臉從複雜的影像中提取出來，後續只需要將注意力集中在提取人臉的相關特徵上，從而有效提升相關任務的效果。 美顏 SDK 最常用的人臉提取方法是 Viola和 Jones在2001年提出的Viola-Jones （以下簡稱V& J）目標檢測器，它基於類 Haar特徵和 Adaboost分類器實現了一個實時目標檢測的框架。同時，因為 Haar特徵更適合人臉識別，所以它被廣泛應用於人臉檢測中。在OpenCV中，哈爾分類器是對維奧拉-瓊斯方法的一種改進。

當然， 美顏 SDK 也有基於深度學習的多工級聯卷積神經網路（ MTCNN）等演算法，也有基於目標檢測相關演算法（Faster-CNN,SSD等）的人臉檢測演算法。因此，針對人臉檢測問題， 這裡採用了一種全新的演算法 ： V& J演算法是目前常用的人臉檢測演算法，其中 ， MTCNN演算法在 美顏 SDK中實戰效果要優於前者，所以目前被開發者們廣泛應用。

二、 歸一化

在非可控條件下，人臉資料易受姿態變化、光線變化、遮擋等因素的影響，導致 美顏 SDK 人臉情感表達的核心腦區（眼、口）資訊缺失，嚴重影響模型訓練和測試的效果。為此，有學者提出了將人臉轉化為正規化人臉再訓練表情識別模型的方法。

至於歸一化，主要分為幾個步驟：光照歸一化、姿態歸一化、去除遮擋，因為文章篇幅的關係，在此不做過多的介紹。

三、 資料增強

最後，在 美顏 SDK 深度學習中，最常用的預處理模式是：資料增強。深度學習需要大量的訓練資料，才能確保演算法模型的精度和泛化能力。在表情識別領域，即使是研究得最早的基於圖片的人臉表情識別，資料集 AffectNet有40多萬張圖，比起 ImageNet、VGGFace2等資料集來說，都是小巫見大巫，至於其他更小眾的表情識別（如微表情識別）則更是少之又少。

上文，小編為大家講解了美顏 SDK的人臉表情識別技術，感謝閱讀！