1.人脸检测＆amp; ldquo;人脸检测＆rdquo;。是一种检测图像中人脸位置的技术。面部检测算法的输入是图片，输出是面部框架坐标的序列（0个面部框架或1个面部框架或多个面部框架）。通常，输出的面部坐标系是朝上的正方形，但是某些面部检测技术会输出朝上的矩形或具有旋转方向的矩形。共同的面部检测算法基本上是对图像进行“扫描”的过程。加“区分”，即算法在图像范围内扫描，然后确定候选区域是否一张一张脸。因此，面部检测算法的计算速度将与图像大小和图像内容有关。在开发过程中，我们可以通过设置“输入图像大小”或“最小脸部大小限制”或“最大脸部数量”来加快算法。图1.面部检测结果的示例（绿色框是面部检测结果）2.面部配准“面部对准”。是一种用于定位面部面部特征关键点坐标的技术。面部配准算法的输入是“面部图片”。加“面部坐标系”，并输出面部特征关键点的坐标序列。五个感官的关键点数是一个预设的固定值，可以根据不同的语义来定义（通常为5个点，68个点，90个点等）。基本上通过深度学习框架实现了一些当前效果良好的人脸注册技术。这些方法基于面部检测的坐标系。根据一定的预设规则扣除脸部区域，并固定缩放。大小，然后计算关键点位置。因此，如果不考虑耗时的图像缩放处理，则面部配准算法是具有固定计算量的处理。另外，与人脸检测或后述的人脸特征提取处理相比，人脸配准算法的计算时间要短得多。图2.人脸登记结果的示例（右侧的绿色点是人脸登记的结果）3.人脸属性识别＆ldquo;人脸属性识别＆rdquo;是识别面部的性别，年龄，姿势，表情和其他属性值。一般的面部属性识别算法的输入是“面部图像”。和“面部特征的关键点坐标”，并且输出是面部的相应属性值。面部属性识别算法通常根据面部的面部特征的关键点的坐标对齐面部（在旋转，缩放，扣除等之后，将面部调整为预定的大小和形状），然后执行属性分析。传统的人脸属性识别算法将每个人脸属性识别为一个独立的过程，也就是说，人脸属性识别只是一类算法的总称。性别识别，年龄估计，姿势估计和面部表情识别都彼此独立。算法。但是，一些基于深度学习的最新人脸属性识别也具有算法同时输入属性（例如性别，年龄和姿势）的能力。图3.面部属性识别过程（最右边的文本是属性识别的结果）4.面部特征提取“面部特征提取”。是将面部图像转换为字符串固定值长度的过程。该数字字符串被称为“面部特征”。并具有表征这张脸的特征的能力。面部特征提取过程的输入也是“面部图像”。然后，输出是“面部特征的关键点坐标”和“面部特征的关键点坐标”，并且输出是与面部相对应的数字字符串（特征）。面部特征提取算法将根据面部特征的关键点的坐标将面部对准预定图案，然后计算特征。近年来，深度学习方法基本上已经占据了人脸特征提取算法的主导地位，而这些都是固定时间算法。较早的面部特征提取模型又大又慢，仅用于后端服务。但是，一些最新的研究可以在基本确保算法效果的前提下，将模型大小和计算速度优化到可以在移动终端上使用的状态。图4.人脸特征提取过程（最右边的数值