本文介绍的是人脸检测算法PFLD，对嵌入式设备非常优化，且模型较小，值得关注。
首发：https://zhuanlan.zhihu.com/p/73546427
作者：张新栋
人脸关键点检测是一个非常核心的算法业务，其在许多场景中都有应用。比如我们常用的换脸、换妆、人脸识别等2C APP中的功能，都需要先进行人脸关键点的检测，然后再进行其他的算法业务处理；在一些2B的业务场景中，如疲劳驾驶中对人脸姿态的估计，也可以先进行人脸关键点的检测，然后再通过2D->3D的估计，最后算出人脸相对相机的姿态角。
本文介绍的这个人脸检测算法PFLD，全文名称为《PFLD: A Practical Facial Landmark Detector》，文章链接可参考PFLD。作者分别来自天津大学、武汉大学、腾讯AI实验室、美国天普大学。该算法对嵌入式设备非常优化，在骁龙845的芯片中效率可达140fps；另外模型大小较小，仅2.1MB；此外在许多关键点检测的benchmark中也取得了相当好的结果。综上，该算法在实际的应用场景中（如低算力的端上设备）有很大的应用空间。目前该工作的源码还没有开源，公布了一个android 的测试app，感兴趣的朋友可以下载试试，PFLD Android APP。更多的实验结果，大家如果感兴趣可以参看文章里面的数据表。
下面我们就PFLD工作中的一些点，跟大家讨论一下。
- 简单的关键点检测器实现
首先我们来先看看如果只是为了实现一个简单的人脸检测器，我们会怎么去设计？本专栏之前的一篇文章曾经给大家介绍过---如何DIY轻型的Mobilenet回归器。人脸关键点检测任务本质上是一个回归器，我们可以将这个模型实现分为两步：1. 选择合适的特征提取骨干（feature extraction backbone）；2. 选择合适的回归方式。在这里，我们骨干网络选择Mobilenet-V1，回归方式我们直接回归2xN个点，N为关键点的个数。网络结构如下图所示：
简单的人脸检测器
在训练的时候，我们只要给定足够的训练数据进行训练即可。
- 存在的问题及思考
我们在上述的人脸检测器模型中，想取得较好的结果，需要用足够的数据进行训练，此外还要加入一些tricks。但在实际的应用的时候，对于一些极端情况，如遮挡（手部、眼镜）、光照（强光、弱光）、极端姿态（yaw、pitch、raw较大的时候）、极端面部表情等。
为了解决上述的问题，从工程上角度的考虑，我们可以通过采用特征描述能力更强的backbone（如VGG16、ResNet等），或者增加极端情况下的训练数据、平衡各类情况下的训练数据的比例、控制数据数据的采样形式（非完全随机采样）；针对上述的情况，PFLD从算法设计的角度，提出了自己的解决方案。
- PFLD模型设计
在模型设计上，PFLD的模型设计上骨干网络没有采用VGG16、ResNet等大模型，但是为了增加模型的表达能力，对Mobilenet的输出特征进行了结构上的修改。如下图：
PFLD的网络结构
PFLD通过融合三个不同尺度的特征，来增加模型的表达能力。该网络结构骨干部分采用的是Mobilenet-v2，在嵌入式设备中仍能取得很好的性能。
- PFLD的模型训练策略
一开始我们设计的那个简单的网络，采用的损失函数为MSE，所以为了平衡各种情况的训练数据，我们只能通过增加极端情况下的训练数据、平衡各类情况下的训练数据的比例、控制数据数据的采样形式（非完全随机采样）等方式进行性能调优。
- 损失函数设计
PFLD采用了一种很优雅的方式来处理上述各情况样本不均衡的问题，我们先看看其损失函数的设计：
上式中 wn为可调控的权值函数（针对不同的情况选取不同的权值，如正常情况、遮挡情况、暗光情况等等），theta为人脸姿态的三维欧拉角（K=3），d为回归的landmark和groundtrue的度量（一般情况下为MSE，也可以选L1度量）。该损失函数设计的目的是，对于样本量比较大的数据（如正脸，即欧拉角都相对较小的情况），给予一个小的权值，在进行梯度的反向传播的时候，对模型训练的贡献小一些；对于样本量比较少的数据（侧脸、低头、抬头、表情极端），给予一个较大的权值，从而使在进行梯度的反向传播的时候，对模型训练的贡献大一些。该模型的损失函数的设计，非常巧妙的解决了平衡各类情况训练样本不均衡的问题。
2. 配合训练的子网络
PFLD的训练过程中引入了一个子网络，用以监督PFLD网络模型的训练。该子网络仅在训练的阶段起作用，在inference的时候不参与；该子网络的用处，是对于每一个输入的人脸样本，对该样本进行三维欧拉角的估计，其groundtruth由训练数据中的关键点信息进行估计，虽然估计的不够精确，但是作为区分数据分布的依据已经足够了，毕竟还该网络的目的是监督和辅助训练收敛，主要是为了服务关键点检测网络。有一个地方挺有意思的是，该子网络的输入不是训练数据，而是PFLD主网络的中间输出，大家可看下图：
PFLD的训练结构
主网络和姿态估计子网络的详细配置如下表：
左：主网络，右：子网络
- 最后
感谢PFLD的作者，为我们提供了许多工程上的调优思路。后续笔者也会开源一个版本的PFLD实现，用以跟大家交流。另外欢迎大家留言讨论、关注专栏，谢谢大家！
- 参考
推荐阅读
专注嵌入式端的AI算法实现，欢迎关注作者微信公众号和知乎嵌入式AI算法实现专栏。
更多嵌入式AI相关的技术文章请关注极术嵌入式AI专栏。
