https://www.toutiao.com/i6696225669984027144/

這一次我將從人臉檢測，關(guān)鍵點檢測，人臉識別，人臉表情，人臉年齡，人臉姿態(tài)等幾個方向整理出人臉領(lǐng)域有用的數(shù)據(jù)集清單，不全也有9成全吧。

作者：言有三

編輯：言有三

01 人臉檢測

所謂人臉檢測任務(wù)，就是要定位出圖像中人臉的大概位置。

1.1 Caltech 10000

數(shù)據(jù)集地址：http://www.vision.caltech.edu/Image_Datasets/Caltech_10K_WebFaces/

發(fā)布于2007年，這是一個灰度人臉數(shù)據(jù)集，使用Google圖片搜索引擎用關(guān)鍵詞爬取所得，包含了7,092張圖，10,524個人臉，平均分辨率在304x312，除此之外還提供雙眼，鼻子和嘴巴共4個坐標(biāo)位置。在早期被使用的較多，現(xiàn)在的方法已經(jīng)很少用灰度數(shù)據(jù)集做評測。

1.2 AFW

發(fā)布于2013年。AFW數(shù)據(jù)集是人臉關(guān)鍵點檢測非常早期使用的數(shù)據(jù)集，共包含205個圖像，其中有473個標(biāo)記的人臉。每一個人臉提供了方形邊界框，6個關(guān)鍵點和3個姿勢角度的標(biāo)注。目前官網(wǎng)數(shù)據(jù)鏈接已經(jīng)失效，可以通過其他渠道獲得。

1.3 FDDB

數(shù)據(jù)集地址：http://vis-www.cs.umass.edu/fddb/index.html

發(fā)布于2010年，這是被廣泛用于人臉檢測方法評測的一個數(shù)據(jù)集，FDDB全稱是Face Detection Data Set and Benchmark，它的提出是用于研究無約束人臉檢測。所謂無約束指的是人臉表情、尺度、姿態(tài)、外觀等具有較大的可變性。FDDB的圖片都來自于 Faces in the Wild 數(shù)據(jù)集，圖片來源于美聯(lián)社和路透社的新聞報道圖片，所以大部分都是名人，而且是自然環(huán)境下拍攝的。共2845張圖片，里面有5171張人臉圖像。

通常人臉檢測數(shù)據(jù)集的標(biāo)注采用的是矩形標(biāo)注，即通過矩形將人臉的前額，臉頰和下巴通過矩形包裹起來，但是由于人臉是橢圓狀的，所以不可能給出一個恰好包裹整個面部區(qū)域而無干擾的矩形。

在FDDB當(dāng)中采用了橢圓標(biāo)記法，它可以適應(yīng)人臉的輪廓。具體來說，每個標(biāo)注的橢圓形人臉由六個元素組成。(ra, rb, Θ, cx, cy, s)，其中ra，rb是橢圓的半長軸、半短軸，cx, cy是橢圓的中心點坐標(biāo)，Θ是長軸與水平軸夾角（頭往左偏Θ為正，頭往右偏Θ為負(fù)），s則是置信度得分。標(biāo)注的結(jié)果是通過多人獨立完成標(biāo)注之后取標(biāo)注的平均值，而且排除了符合以下條件的樣本。

• 長或?qū)捫∮?0個像素的人臉區(qū)域。
• 設(shè)定一個閾值，將像素低于閾值的區(qū)域標(biāo)記為非人臉。
• 遠(yuǎn)離相機的人臉區(qū)域被標(biāo)記為非人臉。
• 人臉被遮擋，2個眼睛都不在區(qū)域內(nèi)的標(biāo)記為非人臉。

1.4 WIDER Face

數(shù)據(jù)集地址：http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/

發(fā)布于2015年，FDDB評測標(biāo)準(zhǔn)由于只有幾千張圖像，這樣的數(shù)據(jù)集在人臉的姿態(tài)、尺度、表情、遮擋和背景等多樣性上非常有限，訓(xùn)練出來的模型難以被很好的評判，算法很快就達(dá)到飽和。在這樣的背景下香港中文大學(xué)提出了Wider-face數(shù)據(jù)集，在很長一段時間里，大型互聯(lián)網(wǎng)公司和科研機構(gòu)都在Wider-face上做人臉檢測算法競賽。

Wider-face總共有32203張圖片，共有393703張人臉,比FDDB數(shù)據(jù)集大10倍，而且在面部的尺寸、姿勢、遮擋、表情、妝容、光照上都有很大的變化，算法不僅標(biāo)注了框，還提供了遮擋和姿態(tài)的信息，自發(fā)布后廣泛應(yīng)用于評估性能比傳統(tǒng)方法更強大的卷積神經(jīng)網(wǎng)絡(luò)。

1.5 MALF數(shù)據(jù)集

數(shù)據(jù)集地址：http://www.cbsr.ia.ac.cn/faceevaluation/

發(fā)布于2015年，全稱 Multi-Attribute Labelled Faces ，MALF是為了更加細(xì)粒度地評估野外環(huán)境中人臉檢測模型而設(shè)計的數(shù)據(jù)庫。數(shù)據(jù)主要來源于Internet，包含5250個圖像，11931個人臉。每一幅圖像包含正方形邊界框，頭部姿態(tài)的俯仰程度，包括小中大三個等級的標(biāo)注。該數(shù)據(jù)集忽略了小于20*20或者非常難以檢測的人臉，共包含大約838個人臉，占該數(shù)據(jù)集的7%。同時該數(shù)據(jù)集還提供了性別，是否帶眼鏡，是否遮擋，是否是夸張的表情等輔助信息。

02 關(guān)鍵點檢測

檢測到人臉后，通常都需要定位出圖像的輪廓關(guān)鍵點，關(guān)鍵點是人臉形狀的稀疏表示，在人臉跟蹤，美顏等任務(wù)中都很重要，現(xiàn)在已經(jīng)從最開始的5個關(guān)鍵點發(fā)展到了超過200個關(guān)鍵點的標(biāo)注。

2.1 HELEN等

首先集中介紹一些比較小和比較老的數(shù)據(jù)集，AFW前面已經(jīng)介紹。

XM2VTS，發(fā)布于1999年，http://www.ee.surrey.ac.uk/CVSSP/xm2vtsdb/，包含295個人，2360張正面圖，標(biāo)注了68個關(guān)鍵點，大部分的圖像是無表情，而且在同樣的光照環(huán)境下。

AR Face Database發(fā)布于1998年，http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html，包括126個人，超過4000張圖，標(biāo)注了22個關(guān)鍵點。

FGVC-V2發(fā)布于2005年，https://www.nist.gov/programs-projects/face-recognition-grand-challenge-frgc，共466個人的4950張圖，包括均勻的光照條件下的高質(zhì)量圖和不均勻的光照條件下的低質(zhì)量圖，標(biāo)注了5個關(guān)鍵點。

LFPW人臉數(shù)據(jù)庫，發(fā)布于2011年， https://neerajkumar.org/projects/face-parts/，包括1432張圖像，標(biāo)注了29個關(guān)鍵點。

Helen人臉數(shù)據(jù)庫，發(fā)布于2012年，

http://www.ifp.illinois.edu/~vuongle2/helen/，包括訓(xùn)練集和測試集，測試集包含了330張人臉圖片，訓(xùn)練集包括了2000張人臉圖片，都被標(biāo)注了68個特征點。

IBUG，發(fā)布于2013年，https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/，這是隨著300W一起發(fā)布的數(shù)據(jù)集，包含了135張人臉圖片，每張人臉圖片被標(biāo)注了68個特征點。

2.2 AFLW

數(shù)據(jù)集地址：https://www.tugraz.at/institute/icg/research/team-bischof/lrs/downloads/aflw/

AFLW(Annotated Facial Landmarks in the Wild)是一個包括多姿態(tài)、多視角的大規(guī)模人臉數(shù)據(jù)庫，一般用于評估面部關(guān)鍵點檢測效果，圖片來自于flickr的爬取。總共有21,997張圖，25,993張面孔，每張人臉標(biāo)注21個關(guān)鍵點，共380k個關(guān)鍵點，由于是肉眼標(biāo)記，不可見的關(guān)鍵點不進行標(biāo)注。

除了關(guān)鍵點之外，還提供了矩形框和橢圓框的臉部位置標(biāo)注，其中橢圓框的標(biāo)注方法與FDDB相同。另外還有從平均3D人臉重建提供的3D的人臉姿態(tài)角標(biāo)注。

大部分圖像是彩色圖，也有少部分是灰度圖，59%為女性，41%為男性，這個數(shù)據(jù)集非常適合做多角度多人臉檢測，關(guān)鍵點定位和頭部姿態(tài)估計，是關(guān)鍵點檢測領(lǐng)域里非常重要的一個數(shù)據(jù)集。

2.3 300W

數(shù)據(jù)集地址：https://ibug.doc.ic.ac.uk/resources/300-W/

發(fā)布于2013年，包含了300張室內(nèi)圖和300張室外圖，其中數(shù)據(jù)集內(nèi)部的表情，光照條件，姿態(tài)，遮擋，臉部大小變化非常大，因為是通過Google搜索“party”, “conference”等較難等場景搜集而來。該數(shù)據(jù)集標(biāo)注了68個關(guān)鍵點，一定程度上在這個數(shù)據(jù)集能取得好結(jié)果的，在其他數(shù)據(jù)集也能取得好結(jié)果。

300-W challenge是非常有名的用于評測關(guān)鍵點檢測算法的基準(zhǔn)，在ICCV 2013舉辦了第一次人臉關(guān)鍵點定位競賽。300-W challenge所使用的訓(xùn)練數(shù)據(jù)集實際上并不是一個全新的數(shù)據(jù)集，它是采用了半監(jiān)督的標(biāo)注工具，將AFLW，AFW，Helen，IBUG，LFPW，FRGC-V2，XM2VTS等數(shù)據(jù)集進行了統(tǒng)一標(biāo)注然后得到的，關(guān)鍵信息是68個點。

在ICCV2015年拓展成了視頻標(biāo)注，即300 Videos in the Wild (300-VW)，數(shù)據(jù)集地址是https://ibug.doc.ic.ac.uk/resources/300-VW/，感興趣讀者可以關(guān)注。

2.4 MTFL/MAFL

數(shù)據(jù)集地址：http://mmlab.ie.cuhk.edu.hk/projects/TCDCN.html

發(fā)布于2014年，這里包含了兩個數(shù)據(jù)集。Multi-Task Facial Landmark (MTFL) 數(shù)據(jù)集包含了12,995 張臉，5個關(guān)鍵點標(biāo)注，另外也提供了性別，是否微笑，是否佩戴眼鏡以及頭部姿態(tài)的信息。Multi-Attribute Facial Landmark (MAFL) 數(shù)據(jù)集則包含了20,000張臉，5個關(guān)鍵點標(biāo)注與40個面部屬性，實際上后面被包含在了Celeba數(shù)據(jù)集中，該數(shù)據(jù)集我們后面會進行介紹。這兩個數(shù)據(jù)集都使用TCDCN方法將其拓展到了68個關(guān)鍵點的標(biāo)注。

2.5 WFLW數(shù)據(jù)集

數(shù)據(jù)集地址：https://wywu.github.io/projects/LAB/WFLW.html

WFLW包含了10000張臉，其中7500用于訓(xùn)練，2500張用于測試，共98個關(guān)鍵點。除了關(guān)鍵點之外，還有遮擋，姿態(tài)，妝容，光照， 模糊和表情等信息的標(biāo)注。

由于人臉關(guān)鍵點是整個人臉任務(wù)中非常基礎(chǔ)和重要的，所以在工業(yè)界有更多的關(guān)鍵點的標(biāo)注，目前96點，106點都是非常常見的。因為商業(yè)價值，這些數(shù)據(jù)集一般不會進行公開。

03 人臉識別

人臉檢測和關(guān)鍵點檢測都是比較底層的任務(wù)，而人臉識別是更高層的任務(wù)，它就是要識別出檢測出來的人臉是誰，完成身份比對等任務(wù)，也是人臉領(lǐng)域里被研究最多的任務(wù)。

3.1 FERET

數(shù)據(jù)集地址：http://www.nist.gov/itl/iad/ig/colorferet.cfm

發(fā)布于1993年至1996年，由FERET項目創(chuàng)建，包含14,051張多姿態(tài)，不同光照的灰度人臉圖像，每幅圖中均只有一個人臉，在早期的人臉識別領(lǐng)域應(yīng)用非常廣泛。

3.2 Yale/YaleB

數(shù)據(jù)集地址：http://vision.ucsd.edu/~iskwak/ExtYaleDatabase/Yale%20Face%20Database.htm

Yale人臉數(shù)據(jù)庫與YALE人臉數(shù)據(jù)庫B分別發(fā)布于1997年和2001年，這是兩個早期的灰度數(shù)據(jù)集。Yale人臉數(shù)據(jù)庫由耶魯大學(xué)計算視覺與控制中心創(chuàng)建，包含15位志愿者的165張圖片，包含光照，表情和姿態(tài)的變化。

后面將其拓展到Y(jié)ALE人臉數(shù)據(jù)庫B，包含了10個人的5760幅多姿態(tài)，多光照的圖像。具體包括9個姿態(tài)，64種光照變化，在實驗室嚴(yán)格控制的條件下進行。雖然每個人的圖像很多，但是由于采集人數(shù)較少,該數(shù)據(jù)庫的進一步應(yīng)用受到了比較大的限制。

3.3 CAS-PEAL

數(shù)據(jù)集地址：http://www.jdl.ac.cn/peal/

發(fā)布于2008年，CAS-PEAL數(shù)據(jù)集是中國科學(xué)院收集建立的，它主要是為了提供一個大規(guī)模的中國人臉數(shù)據(jù)集用于訓(xùn)練和評估對應(yīng)東方人的算法，有灰度圖和彩色圖兩個版本。

目前，CAS-PEAL人臉數(shù)據(jù)庫由1040個人（595名男性和445名女性）的99594張圖像組成，在特定環(huán)境下具有不同的姿勢、表情、照明條件、表情以及是否佩戴眼鏡等信息。對于每個被拍攝的人，通過9個相機來同時捕獲不同姿態(tài)的圖像，平均每一個人采集了約900張圖像。

3.4 LFW數(shù)據(jù)集

數(shù)據(jù)集地址：http://vis-www.cs.umass.edu/lfw/index.html#download

發(fā)布于2007年，Labeled Faces in the Wild(簡稱LFW)，是為了研究非限制環(huán)境下的人臉識別問題而建立，這是比較早期而重要的測試人臉識別的數(shù)據(jù)集，所有的圖像都必須要能夠被經(jīng)典的人臉檢測算法VJ算法檢測出來。

該數(shù)據(jù)集包含5749個人的13233張全世界知名人士的圖像，其中有1680人有2張或2張以上人臉圖片。它是在自然環(huán)境下拍攝的，因此包含不同背景、朝向、面部表情。

3.5 CMU PIE

CMU PIE數(shù)據(jù)集地址：https://www.ri.cmu.edu/publications/the-cmu-pose- illumination-and-expression-pie-database-of-human-faces/ Multi-PIE數(shù)據(jù)集地址： http://www.cs.cmu.edu/afs/cs/project/PIE/MultiPie/Multi-Pie/Home.html

CMU PIE數(shù)據(jù)集發(fā)布于2000年，PIE就是姿態(tài)(Pose)，光照(Illumination)和表情(Expression)的縮寫。包含68位志愿者的41,368張圖，每個人有13種姿態(tài)條件，43種光照條件和4種表情。其中的姿態(tài)和光照變化圖像也是在嚴(yán)格控制的條件下采集的，它在推動多姿勢和多光照的人臉識別研究方面具有非常大的影響力，不過仍然存在模式單一多樣性較差的問題。

為了解決這些問題，卡內(nèi)基梅隆大學(xué)的研究人員在2009年建立了Multi-PIE數(shù)據(jù)集。它包含337個人，在15個角度，19個照明條件和不同的表情下記錄，最終超過750000個圖像。由于圖像質(zhì)量較高，原始的圖片大小超過了300G，需要購買。

3.6 Pubfig

數(shù)據(jù)集地址：http://www.cs.columbia.edu/CAVE/databases/pubfig/

發(fā)布于2010年，這是哥倫比亞大學(xué)的公眾人物臉部數(shù)據(jù)集，包含有200個人的58797張人臉圖像，主要用于非限制場景下的人臉識別。與LFW相比，這個數(shù)據(jù)集更大，但是人更少，每個人的圖片更多。

3.7 MSRA-CFW

數(shù)據(jù)集地址：http://research.microsoft.com/en-us/projects/msra-cfw/

發(fā)布于2012年，由MSRA收集整理，包含1,583個人的202,792張圖像，采用了自動標(biāo)注的方法。

3.8 CASIA WebFace

數(shù)據(jù)集地址：http://classif.ai/dataset/casia-webface/

發(fā)布于2014年，這是李子青實驗室開放的國內(nèi)非常有名的數(shù)據(jù)集，包含10575個人494414張圖。

3.9 Celeba

數(shù)據(jù)集地址：http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html

發(fā)布于2015年，這是由香港中文大學(xué)湯曉鷗教授實驗室發(fā)布的大型人臉識別數(shù)據(jù)集。該數(shù)據(jù)集包含10,177個名人的202,599張人臉圖片，人臉屬性有40多種，包括是否戴眼鏡，是否微笑等，主要用于人臉屬性的識別。

3.10 FaceScrub

數(shù)據(jù)集地址：http://vintage.winklerbros.net/facescrub.html

發(fā)布于2016年，總共包含了530個人的106863張圖片，其中男性女性各占265，每個人大概200張圖。

3.11 UMDFaces

數(shù)據(jù)集地址：http://www.umdfaces.io/

發(fā)布于2016年，這個數(shù)據(jù)集有靜態(tài)圖和視頻兩部分，其中靜態(tài)圖包含8277個人的367,888張臉，視頻包含22,075個視頻中的3,107個人的3,735,476張圖。同時標(biāo)注了21個關(guān)鍵點，性別信息，以及人的3個姿態(tài)。

3.12 MegaFace

數(shù)據(jù)集地址：http://megaface.cs.washington.edu/dataset/download.html

發(fā)布于2016年，MegaFace數(shù)據(jù)集包含一百萬張圖片，共 690000個不同的人，所有數(shù)據(jù)都是華盛頓大學(xué)從Flickr組織收集。

這是第一個在一百萬規(guī)模級別的面部識別算法測試基準(zhǔn)。現(xiàn)有臉部識別系統(tǒng)仍難以準(zhǔn)確識別超過百萬的數(shù)據(jù)量。為了比較現(xiàn)有公開臉部識別算法的準(zhǔn)確度，華盛頓大學(xué)在2017年底開展了一個名為“MegaFace Challenge”的公開競賽。這個項目旨在研究當(dāng)數(shù)據(jù)庫規(guī)模提升數(shù)個量級時，現(xiàn)有的臉部識別系統(tǒng)能否維持可靠的準(zhǔn)確率。

3.13 MS-Celeb-1M

數(shù)據(jù)集地址：https://www.msceleb.org/

發(fā)布于2016年，這是目前世界上規(guī)模最大、水平最高的圖像識別賽事之一，由MSRA（微軟亞洲研究院）發(fā)起，每年定期舉辦。參賽隊伍被要求基于微軟云服務(wù)，搭建包括人臉檢測、對齊、識別的完整人臉識別系統(tǒng)，而且識別系統(tǒng)必須先通過遠(yuǎn)程實驗評估。

訓(xùn)練集合包含10M 圖片，具體的操作是從1M個名人中，根據(jù)他們的受歡迎程度，選擇100K個。然后，利用搜索引擎，給100K個人，每人搜大概100張圖片。共得到100K*100=10M個圖片。測試集包括1000個名人，這1000個名人來自于1M個明星中隨機挑選，每個名人大概有20張圖片。

3.14 VGG Face

數(shù)據(jù)集地址： http://www.robots.ox.ac.uk/~vgg/data/vgg_face/ http://www.robots.ox.ac.uk/~vgg/data/vgg_face2/

VGG Face發(fā)布于2015年，包括2622個對象，每個對象擁有約1000副靜態(tài)圖像；

VGG Face2發(fā)布于2017年，包含了9131個人的3.31百萬張圖片，平均每一個人有362.6張圖。這個數(shù)據(jù)集人物ID較多，且每個ID包含的圖片個數(shù)也較多。數(shù)據(jù)集覆蓋了大范圍的姿態(tài)、年齡和種族，其中約有59.7%的男性。除了身份信息之外，數(shù)據(jù)集還包括人臉框，5個關(guān)鍵點、以及估計的年齡和姿態(tài)。

3.15 IMDB-Face

數(shù)據(jù)集地址：https://github.com/fwang91/IMDb-Face#data-download

發(fā)布于2018年，包含590000個人，17000000張圖，是現(xiàn)在人臉最多的數(shù)據(jù)集了。

3.16 YouTube Faces

數(shù)據(jù)集地址：http://www.cs.tau.ac.il/~wolf/ytfaces/results.html

發(fā)布于2011年，它包含了1,595個人的3,425段視頻，最短的為48幀，最長的為6070幀。和LFW不同的是，在這個數(shù)據(jù)集下，算法需要判斷兩段視頻里面是不是同一個人。有不少在照片上有效的方法，在視頻上未必有效/高效。

還有一些其他的視頻數(shù)據(jù)集，此處不再一一介紹，感興趣可以自行關(guān)注。

3.17 IARPA Janus

數(shù)據(jù)集地址：https://www.iarpa.gov/index.php/research-programs/janus

這是進幾年開啟的人臉識別比賽，由美國國家技術(shù)標(biāo)準(zhǔn)局（NIST）在2015年召開的CVPR上發(fā)布，當(dāng)時是IJB-A人臉驗證與識別數(shù)據(jù)集, 包含500個對象的5396副靜態(tài)圖像和20412幀的視頻數(shù)據(jù)。

被拍攝者來自世界不同國家、地區(qū)和種族，具有廣泛的地域性，在完全無約束環(huán)境下采集的。面部姿態(tài)變化巨大，光照變化劇烈，所以難度非常大。

另外，數(shù)據(jù)集引入了“模板”的概念，一個模板就是一個集合，集合包括被拍攝者的靜態(tài)圖像和視頻片段，最終的人臉驗證與識別不是基于單個圖像，而是基于集合對集合。

此后，2017年迭代到IARPA Janus B，2018年迭代到IARPA Janus C，包括了138000人臉，11000個視頻，10000張非人臉，在這里拿下好名次，才能稱為真正的人臉識別好手。

人臉識別雖然在百萬級別的數(shù)據(jù)集如MegaFace等都已經(jīng)達(dá)到相當(dāng)高的水準(zhǔn)，但是在現(xiàn)實世界中面臨各種姿態(tài)，分辨率，遮擋等問題，仍然有較大的研究空間。

04 人臉表情

人臉表情識別(facial expression recognition, FER)是人臉屬性識別技術(shù)中的一個重要組成部分，在人機交互、安全控制、直播娛樂、自動駕駛等領(lǐng)域都非常具有應(yīng)用價值，因此在很早前就已經(jīng)得到了研究。

4.1 JAFFE

數(shù)據(jù)集鏈接：http://www.kasrl.org/jaffe.html

1998年發(fā)布，這是比較小和老的數(shù)據(jù)庫。該數(shù)據(jù)庫是由10位日本女性在實驗環(huán)境下根據(jù)指示做出各種表情，再由照相機拍攝獲取的人臉表情圖像。整個數(shù)據(jù)庫一共有213張圖像，10個人，全部都是女性，每個人做出7種表情，這7種表情分別是：sad, happy, angry, disgust, surprise, fear, neutral，每組大概20張樣圖。

4.2 KDEF與AKDEF

數(shù)據(jù)集地址：http://www.emotionlab.se/kdef/

發(fā)布于1998年，這個數(shù)據(jù)集最初是被開發(fā)用于心理和醫(yī)學(xué)研究目的。它主要用于知覺，注意，情緒，記憶等實驗。在創(chuàng)建數(shù)據(jù)集的過程中，特意使用比較均勻，柔和的光照，被采集者身穿統(tǒng)一的T恤顏色。這個數(shù)據(jù)集，包含70個人，35個男性，35個女性，年齡在20至30歲之間。沒有胡須，耳環(huán)或眼鏡，且沒有明顯的化妝。7種不同的表情，每個表情有5個角度。總共4900張彩色圖，尺寸為562*762像素。

4.3 GENKI

數(shù)據(jù)集地址：http://mplab.ucsd.edu

發(fā)布于2009年，GENKI數(shù)據(jù)集是由加利福尼亞大學(xué)的機器概念實驗室收集。該數(shù)據(jù)集包含GENKI-R2009a，GENKI-4K，GENKI-SZSL三個部分。GENKI-R2009a包含11159個圖像，GENKI-4K包含4000個圖像，分為“笑”和“不笑”兩種，每個圖片擁有不同的尺度大小，姿勢，光照變化，頭部姿態(tài)，可專門用于做笑臉識別。這些圖像包括廣泛的背景，光照條件，地理位置，個人身份和種族等。

4.4 RaFD

數(shù)據(jù)集地址：http://www.socsci.ru.nl:8180/RaFD2/RaFD?p=main

發(fā)布于2010年，該數(shù)據(jù)集是Radboud大學(xué)Nijmegen行為科學(xué)研究所整理的，這是一個高質(zhì)量的臉部數(shù)據(jù)庫，總共包含67個模特，其中20名白人男性成年人，19名白人女性成年人，4個白人男孩，6個白人女孩，18名摩洛哥男性成年人。總共8040張圖，包含8種表情，即憤怒，厭惡，恐懼，快樂，悲傷，驚奇，蔑視和中立。每一個表情，包含3個不同的注視方向，且使用5個相機從不同的角度同時拍攝的。

4.5 CK

數(shù)據(jù)集地址：http://www.pitt.edu/~emotion/ck-spread.htm

發(fā)布于2010年，這個數(shù)據(jù)庫是在Cohn-Kanade Dataset的基礎(chǔ)上擴展來的，它包含137個人的不同人臉表情視頻幀。這個數(shù)據(jù)庫比起JAFFE要大的多。而且也可以免費獲取，包含表情的標(biāo)注和基本動作單元的標(biāo)注。

4.6 Fer2013

數(shù)據(jù)集地址：https://www.kaggle.com/c/challenges-in-representation-learning-facial-expression-recognition-challenge/data

發(fā)布于2013年，該數(shù)據(jù)集包含共26190張48*48灰度圖，圖片的分辨率比較低，共6種表情。分別為0 anger生氣、1 disgust 厭惡、2 fear 恐懼、3 happy 開心、4 sad 傷心、5 surprised 驚訝、6 normal 中性。

4.7 RAF

數(shù)據(jù)集地址：http://www.whdeng.cn/RAF/model1.html

發(fā)布于2017年，包含總共29672 張圖片，其中7個基本表情和12 個復(fù)合表情，而且每張圖還提供了5個精確的人臉關(guān)鍵點，年齡范圍和性別標(biāo)注。

4.8 EmotionNet

數(shù)據(jù)集地址：http://cbcsl.ece.ohio-state.edu/EmotionNetChallenge/

發(fā)布于2017年，共950,000張圖，其中包含基本表情，復(fù)合表情，以及表情單元的標(biāo)注。

另外還有一些需要申請的數(shù)據(jù)集如SCFace等就不再介紹，表情識別目前的關(guān)注點已經(jīng)從實驗室環(huán)境下轉(zhuǎn)移到具有挑戰(zhàn)性的真實場景條件下，研究者們開始利用深度學(xué)習(xí)技術(shù)來解決如光照變化、遮擋、非正面頭部姿勢等問題，仍然有很多的問題需要解決。

另一方面，盡管目前表情識別技術(shù)被廣泛研究，但是我們所定義的表情只涵蓋了特定種類的一小部分，尤其是面部表情，而實際上人類還有很多其他的表情。表情的研究相對于顏值年齡等要難得多，應(yīng)用也要廣泛的多，相信這幾年會不斷出現(xiàn)有意思的應(yīng)用。

05 人臉年齡與性別

人臉的年齡和性別識別在安全控制，人機交互領(lǐng)域有著非常廣泛的使用，而且由于人臉差異性，人臉的年齡估計仍然是一個難點。

5.1 FGNet

數(shù)據(jù)集地址：http://www-prima.inrialpes.fr/FGnet/html/benchmarks.html

發(fā)布于2000年，這是第一個意義重大的年齡數(shù)據(jù)集，包含了82個人的1002張圖，年齡范圍是0到69歲。

5.2 CACD2000

數(shù)據(jù)集地址：http://bcsiriuschen.github.io/CARC/

發(fā)布于2013年，這是一個名人數(shù)據(jù)集，包含了2,000個人的163446張名人圖片，其范圍是16到62歲。

5.3 Adience

數(shù)據(jù)集地址：https://www.openu.ac.il/home/hassner/Adience/data.html#frontalized

發(fā)布于2014年，這是采用iPhone5或更新的智能手機拍攝的數(shù)據(jù)，共2284個人26580張圖像。它的標(biāo)注采用的是年齡段的形式而不是具體的年齡，其中年齡段為（0-2, 4-6, 8-13, 15-20, 25-32, 38-43, 48-53, 60+）。

5.4 IMDB-wiki

數(shù)據(jù)集地址：https://data.vision.ee.ethz.ch/cvl/rrothe/imdb-wiki/

發(fā)布于2015年，IMDB-WIKI人臉數(shù)據(jù)庫是由IMDB數(shù)據(jù)庫和Wikipedia數(shù)據(jù)庫組成，其中IMDB人臉數(shù)據(jù)庫包含了460,723張人臉圖片，而Wikipedia人臉數(shù)據(jù)庫包含了62,328張人臉數(shù)據(jù)庫，總共523,051張人臉數(shù)據(jù)。都是從IMDb和維基百科上爬取的名人圖片，根據(jù)照片拍攝時間戳和出生日期計算得到的年齡信息，以及性別信息，對于年齡識別和性別識別的研究有著重要的意義，這是目前年齡和性別識別最大的數(shù)據(jù)集。

5.5 MORPH

數(shù)據(jù)集地址：http://www.faceaginggroup.com/morph/

發(fā)布于2017年，包括13,000多個人的55,000張圖，年齡范圍是16到77。

06 人臉姿態(tài)

人臉的姿態(tài)估計在考勤，支付以及各類社交應(yīng)用中有非常廣泛的應(yīng)用。

6.1 3DMM

數(shù)據(jù)集地址：https://faces.dmi.unibas.ch/

發(fā)布于1999年，這是隨著著名的3DMM模型一起誕生的數(shù)據(jù)集，通過結(jié)構(gòu)光和激光進行采集，未處理前每一個模型由70000個點描述，處理后由53490個點描述。

在數(shù)據(jù)庫的處理過程中，將所有模型的每一個點的位置都進行了精確一一匹配，也就是說，每一個點都有實際的物理意義，可能有右嘴角，可能是鼻尖。

數(shù)據(jù)集包含100個男性和100個女性的3D掃描數(shù)據(jù)，是人臉三維重建領(lǐng)域影響最大的數(shù)據(jù)集，堪稱3D人臉領(lǐng)域的“hello world”。在該數(shù)據(jù)集中，還標(biāo)注了表情系數(shù)，紋理系數(shù)，68個關(guān)鍵點的坐標(biāo)，以及相機的7個坐標(biāo)。

6.2 Bosphorus

數(shù)據(jù)集地址：http://bosphorus.ee.boun.edu.tr/default.aspx

發(fā)布于2009年，這是一個研究三維人臉表情的數(shù)據(jù)集，通過結(jié)構(gòu)光采集。包含105個人， 4666張人臉，每一個人臉有35種表情以及不同的仿真姿態(tài)。

6.3 BIWI

數(shù)據(jù)集地址：http://www.vision.ee.ethz.ch/datasets/b3dac2.en.html

發(fā)布于2010年，包含1000個高質(zhì)量的3D掃描儀和專業(yè)麥克風(fēng)采集的3D數(shù)據(jù),其中14個人，6個男性，8個女性。采集以每秒25幀的速度獲取密集的動態(tài)面部掃描。

6.4 HPD

數(shù)據(jù)集地址：http://www-prima.inrialpes.fr/perso/Gourier/Faces/HPDatabase.html

發(fā)布于2013年，為灰度圖數(shù)據(jù)集，在實驗室采集，標(biāo)注包括垂直角度和水平角度。包括5580張圖，其中372個人，每個人15張圖。

6.5 BIWI kinect

數(shù)據(jù)集地址：https://data.vision.ee.ethz.ch/cvl/gfanelli/head_pose/head_forest.html

發(fā)布于2013年，使用kinect進行采集，包含20個人的15000張圖片，有3D的標(biāo)注，圖片大小為640*480。

6.6 FaceWarehouse

數(shù)據(jù)集地址：http://www.kunzhou.net/#facewarehouse

發(fā)布于2014年，這是浙江大學(xué)周昆實驗室開源的3D人臉數(shù)據(jù)集，與3DMM數(shù)據(jù)集的構(gòu)建相似，不過數(shù)據(jù)集是中國人。共包含了150個人，年齡從7-80歲。相比于3DMM數(shù)據(jù)集，它增加了表情，每個人包含了20種不同的表情，1個中性表情，19個張嘴，微笑等表情。

6.7 TMU

發(fā)布于2015年，這是一個面部視頻數(shù)據(jù)庫，包含31,500個100名志愿者的視頻。每個志愿者在7個照明條件下由9組同步網(wǎng)絡(luò)攝像頭拍攝，并被要求完成一系列指定的動作，有不同的遮擋，照明，姿勢和表情的面部變化。與現(xiàn)有數(shù)據(jù)庫相比，THU人臉數(shù)據(jù)庫提供了具有嚴(yán)格時間同步的多視圖視頻序列，從而能夠?qū)ψ⒁曅Ｕ椒ㄟM行評估。

6.8 UPNA

數(shù)據(jù)集地址：http://gi4e.unavarra.es/databases/hpdb/

發(fā)布于2016年，10個人，其中6個男性，4個女性，每個人12個視頻，6個規(guī)定的動作，6個自由的動作。分辨率1280*720，30fps，每一個視頻10s，有3D標(biāo)注信息。

6.9 300W-LP

數(shù)據(jù)集地址：http://www.cbsr.ia.ac.cn/users/xiangyuzhu/projects/3DDFA/main.htm

這是基于300W數(shù)據(jù)集和3DMM模型仿真得到的3D數(shù)據(jù)集，這是3D領(lǐng)域里使用最大，使用最廣泛的仿真數(shù)據(jù)集，包含了68個關(guān)鍵點，相機參數(shù)以及3DMM模型的系數(shù)的標(biāo)注。

其他的還有USF Human ID 3-D Database，ICT-3DHP database，IDIAP等，讀者可以線下了解。由于3D數(shù)據(jù)集的構(gòu)建代價很高，所以仿真數(shù)據(jù)集經(jīng)常被使用，即通過從2D圖像構(gòu)建3D模型然后進行姿態(tài)仿真。當(dāng)然另一方面，研究擺脫3D數(shù)據(jù)集的運用的方法也不斷被提出，而且精度已經(jīng)和基于3D數(shù)據(jù)集的方法可以比拼，因此這可能也是未來的重要研究方向。

07 其他數(shù)據(jù)集

人臉的應(yīng)用領(lǐng)域還有美顏，風(fēng)格化等，我們不再一一展開介紹，下面介紹在顏值和化妝領(lǐng)域比較重要的兩個數(shù)據(jù)集。

7.1 SCUT-FBP

數(shù)據(jù)集地址：https://github.com/HCIILAB/SCUT-FBP5500-Database-Release

發(fā)布于2017年，數(shù)據(jù)集共5500個正面人臉，年齡分布為15-60，全部都是自然表情。包含不同的性別分布和種族分布（2000亞洲女性，2000亞洲男性，750高加索男性，750高加索女性），數(shù)據(jù)分別來自于數(shù)據(jù)堂，US Adult database等。每一張圖由60個人進行評分，共評為5個等級，這60個人的年齡分布為18～27歲，均為年輕人。適用于基于apperance/shape等的模型研究。同時，每一個圖都提供了86個關(guān)鍵點的標(biāo)注。

7.2 MakeUp

數(shù)據(jù)集地址：http://www.antitza.com/makeup-datasets.html

發(fā)布于2012年，這是一個女性面部化妝數(shù)據(jù)集，可用于研究化妝對面部識別的影響。

總共包括4個子數(shù)據(jù)集：

YMU（YouTube化妝）：這是從YouTube視頻化妝教程中獲取的面部圖像，

YouTube網(wǎng)址為http://www.antitza.com/URLs_YMU.txt。

VMU（虛擬化妝）：這是將從FRGC數(shù)據(jù)庫（http://www.nist.gov/itl/iad/ig/frgc.cfm）

中采集的高加索女性受試者的面部圖像，使用公開的軟件（http://www.taaz.com）來合成的虛擬化妝樣本。

MIW：從互聯(lián)網(wǎng)獲得有化妝和沒有化妝的受試者的前后對比面部圖像。

MIFS：化妝誘導(dǎo)面部欺騙數(shù)據(jù)集：這是從YouTube化妝視頻教程的107個化妝。每一組包含3張圖片，其中一張圖片是目標(biāo)的化妝前的主體圖像，一個是化妝后的，另一個是其他人化同樣的妝試圖進行欺騙。

總結(jié)

以上是生活随笔為你收集整理的「数据集」一文道尽人脸数据集的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。