本文为「Dev for Dev 专栏」系列内容，作者为声网视频组 AI 算法工程师 周世付。
人脸检测、人脸关键点检测，是计算机视觉的基础算法。许多酷炫应用背后，例如美颜、贴纸、人脸驱动 avatar，是依赖着人脸检测、人脸关键点检测的算法。
人脸检测的常规做法，是从图像中找到人脸的位置并采用矩形框的方式将人脸标示出来。由于人脸检测提供的信息比较粗糙，要想获取更精细、详细的人脸信息，比如，人脸的脸型、嘴巴、眼睛、鼻子的位置和几何形状，就需要进行人脸关键点检测。
人脸关键点检测，也称为人脸关键点定位或者人脸对齐，是在人脸检测获取到人脸在图像中具体位置的基础上，进一步定位人脸器官的位置。
这些人脸器官位置信息，是一些具有明确语议定义的离散点，因此称为人脸关键点。通常，人脸关键点定义在人脸的脸颊、嘴巴、眼睛、鼻子和眉毛区域，将人脸关键点连接起来，能够描绘人脸的几何特征。
人脸关键点的类型，可划分为 2D 关键点和 3D 关键点。2D 关键点，输出的是人脸关键点的 x、y 的坐标信息。常用的 2D 关键点数量 5 点、68 点、106 点，随着技术的发展及应用对人脸关键点提出更高要求，也出现了 280 点甚至是 1000 点的人脸关键点方案。
3D 关键点，则输出关键点的 x、y、z 的坐标信息。3D 关键点的检测，是采用 3DMM 模型，重建人脸的 3D mesh，再将 3D mesh 投射到 2D 的图像空间。由于 3D 关键点比 2D 关键点多了深度信息，在人脸姿态估计、3D 物体穿戴方面，优势较为明显。
利用人脸关键点，可以定位嘴巴、眼睛、鼻子、眉毛的位置，以及推断脸型、嘴巴、眼睛的几何形态和头部的姿态。在不同的表情、姿态、光照和遮挡条件下，准确、快速、稳定地定位人脸关键点，是一项极具挑战的任务。
人脸关键点检测的方法分为传统机器学习方法和深度学习方法。传统机器学习的方法，典开的代表包括 ASM（Active Shape Model）、AAM（Active Appearance Models）。
ASM 是由 Cootes 于 1995 年提出的经典人脸关键点检测算法，ASM 是一种基于点分布模型的算法，外形相似的物体的身体形状，可通过若干关键点的坐标依次串联形成的一个形状向量表示。ASM 算法需要人工标定的方法预先标定训练集，经过训练获得形状模型，再通过关键点的匹配实现特定物体的匹配。ASM 算法的优点是模型简单，架构清晰，对轮廓形状有较强的约束，但近似于穷举搜索的关键点定位方式，限制了其运算的效率。
AAM 是 ASM 的进阶版，在形状约束的基础上，加入整个脸部的纹理特征。传统机器学习的方法，检测的速度相对较快，但关键点检测的精度有限，难以满足应用的要求。
深度学习方法，在关键点检测的精度上，碾压传统机器学习方法。基于深度学习的人脸关键点检测方法，大致可分为两个流派：热力图方法和和直接回归方法。热力图方法，是每个关键点生成一个热力图，关键点处的值最大，离关键点越远，值越小。热力图方法，关键点检测的精度高，并可判断关键点是否被遮挡，对遮挡的鲁棒性较好。由于热力图大小通常是输入图像的 1/4，对内存的占用大。检测关键点的数量越多，内存占用越大，限制了热力图方法在端侧设备上的应用。直接回归方法，通过卷积神经模型预测关键点的坐标，内存占用小，关键点检测的精度较热力图方法差一些。由于直接回归方法内存占用小，检测速度快，在端侧设备上的应用前景广阔。
人脸关键点的应用领域十分广泛，主要应用方向可划分为 4 类：人脸姿态对齐、人脸美颜、人脸贴纸和 avatar 模型驱动。
人脸姿态对齐，在人脸识别领域，同一个 ID 的人脸在不同姿态下，人脸的相似度变化较大，人脸识别的精度不同。为了提高人脸识别的精度，需要将不同姿态的人脸，对齐到一个中立的姿态。这个对齐的操作，依赖人脸关键点提供的位置信息。人脸姿态对齐，对关键点的精度和数量，要求不高，通常只需要 5 个关键点，定位眼睛、鼻子和嘴巴。
美颜，作为当今社交 app 中不可或缺的基本功能，发个朋友圈、开个直播前，不需要花时间化个妆，只需打开美颜，即可瞬间提升个人的颜值，将自己最美的一面显现给朋友或观众。美颜的种类繁多，五花八门，大致可以分为大类：1) 美型，调整脸颊、眼睛的形状，即将圆脸调整为修长的瓜子脸，把眼睛调大，达到大眼、瘦脸的效果；2) 磨皮，目的是将脸部的皱纹、痘印、斑点去除，提升皮肤的平滑度和光泽度。脸部不同区域，对磨皮程度的需求不一样，例如眼睛区域需保持清晰通透，磨皮程度要低一些或不磨皮。3) 美妆，是将化妆品的效果，融合到用户的脸上，以视频或图像的方式，呈现给用户，从而可让用户无需到线下门店体验试妆效果，线上就能体验到化妆品在自己脸上的效果。美颜，对人脸关键点检测的精度和数量，要求很高。在关键点精度方面，对眼睛、嘴唇的定位精度尤为高；关键点数量方面，则是越多越好。
贴纸，是将电子的道具，如眼镜、帽子、假发、皇冠、项链、耳环等，“穿戴” 到用户的脸上或头部，为用户定制个性化的形象。手机相机、社交 app 提供了各种各样的道具，供用户选择。
贴纸，对人脸关键点的要求，没有美颜高，但高精度的人脸关键点，对贴纸的效果，是有帮助的。
人脸驱动 avatar，近年来元宇宙、虚拟人、卡通人物的概念层出不穷，其背后的技术本质是如何将自然图像中真实人脸的表情、姿态等信息，迁移到 avatar 模型，驱动 avatar 维妙维肖地 “模仿” 真人。人脸关键点，作为有效的人脸信息载体，可进一步提炼出符合 avatar 模型的语议信息，从而驱动 avatar。人脸驱动，对人脸关键的要求是最高的。人脸关键点的分布，除了定位脸颊、眉毛、眼睛、鼻子、嘴巴外，还要求定位面颊部位。另外，人脸关键点定位越精准，捕捉人脸的微表情越精细，avatar 才越生动。
人脸关键点检测算法，在实际应用过程中，面临着诸多的挑战，需要解决的问题，具体表现为：
1、在不同人脸姿态、光照条件、脸部被遮挡时，关键点定位要准确；
2、连续视频帧检测，帧间关键点的抖动，要在可控范围或被消除；
3、检测速度够快，可在端侧设备实时运行。
为了达到更准确的关键点定位，学术界通常采用基于热力图的方法，采用更大更深的模型，但其代价是模型对算力要求高，无法在端侧设备实时运行。其次，为了满足不同条件下，关键点定位准确，业界通常会自建大规模的训练集。
为了满足美颜、贴纸、avatar 驱动应用对人脸关键点的精度的要求，声网自建了大规模的人脸关键点数据集。人脸关键点的数据集建立过程中，充分考虑了以下几个因素：
1、在数据采集设备方面，覆盖了各种类型手机的前置/后置摄像头、不同类型的笔记本摄像头和 USB 摄像头。
2、不同光线条件下采集人脸图像，包括强光、暗光、背光等条件。
3、多个角度、姿态、变换远近拍摄人脸图像。
4、穿戴不同的遮挡物进行人脸图像拍摄，包括眼镜、口罩、帽子，以及手部遮挡嘴巴、脸颊、眼睛。
5、人工标注人脸关键点，并对标注精度进行二次人工审核，确保人工标注的关键点是准确的。
声网自研的人脸关键点算法，利用深度学习技术，设计了轻量级模型，满足移动端设备实时运行的要求，其具备如下几个特点：
1、支持 106 个关键点的检测，关键点覆盖了脸颊、嘴巴、鼻子、眼睛、眉毛区域，能够满足大多数应用对关键点的点数要求。
2、推理速度快，在移动端设备可实时。结合人脸检测和人脸关键点检测的推理，耗时控制在 10ms 以内，为其它实时应用提供富余的时间余量。
3、支持人脸姿态的欧拉角预测。
4、支持眼球跟踪。
5、支持关键点防抖功能，保证在视频中保持关键点既精准又稳定。
声网人脸关键点算法，为美颜、贴纸、avatar 等应用提供基础的技术能力，结合声网的 RTC 技术，可为开发者提供更加完备的解决方案。点击阅读即可进一步了解详情。
