人臉識別資料集精粹（下）
5. 人臉檢測資料集
所謂人臉檢測任務，就是要定位出影象中人臉的大概位置。通常檢測完之後根據得到的框再進行特徵的提取，包括關鍵點等資訊，然後做一系列後續的分析。
（1） Caltech 10000 Web Faces
資料集地址：
http：//www。
vision。caltech。edu/Imag
e_Datasets/Caltech_10K_WebFaces/
。
釋出於2007年，這是一個灰度人臉資料集，使用Google圖片搜尋引擎用關鍵詞爬取所得，包含了7092張圖，10524個人臉，平均解析度在304×312。除此之外還提供雙眼鼻子，和嘴巴共4個座標位置，在早期被較多地使用，現在的方法已經很少用灰度資料集做評測。
（2） AFW
釋出於2013年，目前官網資料鏈接已經失效，可以透過其他渠道獲得。AFW資料集是人臉關鍵點檢測非常早期使用的資料集，共包含205個影象，其中有473個標記的人臉。每一個人臉提供了方形邊界框，6個關鍵點和3個姿勢角度的標註。
（3） FDDB
資料集地址：
http：//
vis-www。cs。umass。edu/fd
db/index。html
。
釋出於2010年，這是被廣泛用於人臉檢測方法評測的一個數據集。FDDB（Face Detection Data Set and Benchmark）的提出是用於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、外觀等具有較大的可變性。FDDB的圖片都來自於 Faces inthe Wild 資料集，圖片來源於美聯社和路透社的新聞報道圖片，所以大部分都是名人，而且是自然環境下拍攝的。共2845張圖片，裡面有5171張人臉影象。
通常人臉檢測資料集的標註採用的是矩形標註，即透過矩形將人臉的前額，臉頰和下巴透過矩形包裹起來，但是由於人臉是橢圓狀的，所以不可能給出一個恰好包裹整個面部區域而無干擾的矩形。
在FDDB當中採用了橢圓標記法，它可以適應人臉的輪廓。具體來說，每個標註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是橢圓的中心點座標，θ是長軸與水平軸夾角（頭往左偏θ為正，頭往右偏θ為負），s則是置信度得分。標註的結果是透過多人獨立完成標註之後取標註的平均值，而且排除了長或寬小於20個畫素的人臉，遠離相機的人臉，被遮擋的人臉等。
（4） WIDER Face
資料集地址：
http：//
mmlab。ie。cuhk。edu。hk/pr
ojects/WIDERFace/
。
釋出於2015年，FDDB評測標準由於只有幾千張影象，這樣的資料集在人臉的姿態、尺度、表情、遮擋和背景等多樣性上非常有限，訓練出來的模型難以被很好的評判，演算法很快就達到飽和。在這樣的背景下香港中文大學提出了Wider-face資料集，在很長一段時間裡，大型網際網路公司和科研機構都在Wider-face上做人臉檢測演算法競賽。
Wider-face總共有32203張圖片，共有393703張人臉，比FDDB資料集大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，演算法不僅標註了框，還提供了遮擋和姿態的資訊，自發布後廣泛應用於評估效能比傳統方法更強大的卷積神經網路。
Wider-face中的影象解析度較高，所有影象的寬都縮放到1024畫素，最小標註的人臉大小為10×10，平均一張圖超過10個人臉，密集小人臉非常多。訓練集，驗證集，測試集分別佔40%，10%，50%，測試集非常大，結果可靠性高。
根據EdgeBox方法的檢測率Wider-face評測被劃分為三個難度等級：Easy， Medium， Hard，可以在各個任務維度上進行評測，比如Hard等級非常適合評測小臉檢測框架。
（5） MALF
資料集地址：
http：//www。
cbsr。ia。ac。cn/faceevalu
ation/
。
MALF（Multi-Attribute Labelled Faces）釋出於2015年，是為了更加細粒度地評估野外環境中人臉檢測模型而設計的資料庫。資料主要來源於Internet，包含5250個影象、11931個人臉。每一幅影象包含正方形邊界框，頭部姿態的俯仰程度，包括小中大三個等級的標註。該資料集忽略了小於20×20或者非常難以檢測的人臉，共包含大約838個人臉，佔該資料集的7%。同時該資料集還提供了性別，是否帶眼鏡、是否遮擋、是否是誇張的表情等輔助資訊。
（6） MAFA
資料集地址：
http：//www。
escience。cn/people/gesh
iming/mafa。html
。
釋出於2017年，這是一個遮擋人臉檢測資料集，總共包含30811張圖、35806張被遮擋的人臉，包含各種方向和尺度的遮擋。
它們首先將人臉分為4個區域，分為眼睛、鼻子、嘴巴、下頜，根據遮擋區域數量將遮擋程度分為三檔。weak occlusion對應一到兩個區域的遮擋，medium occlusion對應3個區域的遮擋，heavy occlusion對應4個區域的遮擋。
人臉方向包含5個，left、front、right、left-front及right-front。遮擋型別分為4個，即人造的純色遮擋物、人造的複雜紋理遮擋物、手/頭髮等身體造成的自遮擋以及複雜型別。
（7） Unconstrained Face Detection Dataset（UFDD）
資料集地址：
https：//
ufdd。info/
。
釋出於2018年，這是一個非限制場景下的人臉檢測資料集，總共包含6425張圖、10897張人臉，包含雨天（Rain）、雪天（Snow）、霧天（Haze）、模糊（Blur）、光照（Illumination）、晶體障礙（Lens impediments）和干擾物（Distractors）等7個場景。
除此之外，還有一些比較特殊的，比如魚眼人臉檢測資料集，由於比較小眾，就不再集中介紹。總的來說，人臉檢測資料集的發展歷史，就是不斷向真實複雜場景靠近。
6. 關鍵點檢測
檢測到人臉後，下一步就是定位出關鍵點，關鍵點是人臉形狀的稀疏表示，它在人臉跟蹤、美顏等任務中都很重要，現在已經從最開始的5個關鍵點發展到了超過200個關鍵點的標註。
（1） LFPW、HELEN、AFW、IBUG、XM2VTS、FRGC-V2
首先是一些比較小和比較老的資料集，AFW前面已經介紹。
XM2VTS，釋出於1999年，網址為
http：//www。
ee。surrey。ac。uk/CVSSP/x
m2vtsdb/
，包含295個人、2360張正面圖，標註了68個關鍵點，大部分的影象是無表情的，而且是在同樣的光照環境下。
AR人臉資料庫釋出於1998年，網址為
http：//
www2。ece。ohio-state。edu
/~aleix/ARdatabase。html
，包括126個人，超過4000張圖，標註了22個關鍵點。
FGVC-V2人臉資料庫釋出於2005年，網址為
https：//www。
nist。gov/programs-proje
cts/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量圖和不均勻的光照條件下的低質量圖，標註了5個關鍵點。
LFPW人臉資料庫，釋出於2011年，網址為
https：//
neerajkumar。org/project
s/face-parts/
，包括1432張影象，標註了29個關鍵點。
Helen人臉資料庫，釋出於2012年，網址為
http：//www。
ifp。illinois。edu/~vuong
le2/helen/
，包括訓練集和測試集，測試集包含了330張人臉圖片，訓練集包括了2000張人臉圖片，都被標註了194個特徵點。
IBUG人臉資料庫，釋出於2013年，網址為
https：//
ibug。doc。ic。ac。uk/resou
rces/facial-point-annotations/
，這是隨著300W一起釋出的資料集，包含了135張人臉圖片，每張人臉圖片被標註了68個特徵點。
（2） AFLW
資料集地址：
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、多視角的大規模人臉資料庫，一般用於評估面部關鍵點檢測效果，圖片來自於flickr。總共有21997張圖，2593張面孔，每張人臉標註21個關鍵點，共380k個關鍵點，由於是肉眼標記，不可見的關鍵點不進行標註。
除了關鍵點之外，還提供了矩形框和橢圓框的臉部位置標註，其中橢圓框的標註方法與FDDB相同。另外還有從平均3D人臉重建提供的3D的人臉姿態角標註。
大部分影象是彩色圖，也有少部分是灰度圖，59%為女性，41%為男性，這個資料集非常適合做多角度多人臉檢測，關鍵點定位和頭部姿態估計，是關鍵點檢測領域裡非常重要的一個數據集。
下圖是上述資料集的標註的對比。
（3） 300W、300W挑戰賽與300VW、300VW挑戰賽
資料集地址：
https：//
ibug。doc。ic。ac。uk/resou
rces/300-W/
。
釋出於2013年，包含了300張室內圖和300張室外圖，其中資料集內部的表情、光照條件、姿態、遮擋、臉部大小變化非常大，是透過Google搜尋“party”，“conference”等較難等場景蒐集而來。該資料集標註了68個關鍵點，一定程度上在這個資料集能取得好結果的，在其他資料集也能取得好結果。
300W挑戰賽是非常有名的用於評測關鍵點檢測演算法的基準，2013在ICCV舉辦了第一次人臉關鍵點定位競賽。300W挑戰賽所使用的訓練資料集實際上並不是一個全新的資料集，它是採用了半監督的標註工具，將AFLW、AFW、Helen、IBUG、LFPW、FRGC-V2、XM2VTS等資料集進行了統一標註然後得到的，關鍵資訊是68個點。
在ICCV 2015年拓展成了影片標註，即300 Videos in the Wild（300-VW），資料集地址是
https：//
ibug。doc。ic。ac。uk/resou
rces/300-VW/
，感興趣讀者可以關注。
（4） MTFL與MAFL
資料集地址：
http：//
mmlab。ie。cuhk。edu。hk/pr
ojects/TCDCN。html
。
釋出於2014年，這裡包含了兩個資料集。
Multi-Task Facial Landmark（MTFL）資料集包含了12995張臉，5個關鍵點標註，另外也提供了性別、是否微笑、是否佩戴眼鏡以及頭部姿態的資訊。
Multi-Attribute Facial Landmark（MAFL）資料集則包含了20000張臉，5個關鍵點標註與40個面部屬性，實際上MAFL被包含在了Celeba資料集中，該資料集我們後面會進行介紹。這兩個資料集都使用TCDCN方法將原來的標註拓展到了68個關鍵點的標註。
（5） WFLW
資料集地址：
https：//
wywu。github。io/projects
/LAB/WFLW。html
。
WFLW包含了10000張臉，其中7500用於訓練，2500張用於測試，共98個關鍵點。除了關鍵點之外，還有遮擋、姿態、妝容、光照、模糊和表情等資訊的標註。
由於人臉關鍵點是整個人臉任務中非常基礎和重要的，所以在工業界有更多的關鍵點的標註，因為商業價值，這些資料集一般不會進行公開。
前面介紹的關鍵點標註都是針對二維人臉影象，超過200個點的標註已經是非常的密集，而對於3D人臉影象，相關的開源三維人臉資料集以及Face++，美圖等企業都使用了超過1000個以上的稠密關鍵點。
7. 人臉屬性資料集
人臉屬性識別在人機互動、安全控制、直播娛樂、自動駕駛等領域都非常具有應用價值，因此也已經得到了廣泛的研究。
7.1 通用人臉屬性分析資料集
（1） FaceTracer
資料集地址：
https：//www。
cs。columbia。edu/CAVE/da
tabases/facetracer/
釋出於2008年，該資料集包括15000張人臉，共10組屬性，包括性別，種族，年齡，頭髮顏色，是否佩戴眼鏡，是否有鬍鬚，是否微笑，是否模糊，光照條件以及室內還是室外環境，這是比較早期的人臉屬性資料集。
（2） PubFig
資料集地址：
https：//www。
cs。columbia。edu/CAVE/da
tabases/pubfig/
釋出於2009年，該資料集包括200個人的58797張人臉，來自於網際網路搜尋，因此具有很好的姿態，光照，表情和場景多樣性，總共標註了73個人臉屬性。
（3） LFWA和CelebA
資料集地址：
http：//
mmlab。ie。cuhk。edu。hk/pr
ojects/CelebA。html
。
兩者都發佈於2015年，LFWA的圖片全部來自於LFW人臉識別資料集，CelebA則包含了10177個名人的202599張人臉圖片，它們標註的人臉屬性有40種，包括是否戴眼鏡，是否微笑等，是當前最大最廣泛使用的人臉屬性資料集。
（4） Fairface
資料集地址：
https：//
github。com/joojs/fairfa
ce
。
釋出於2019年，共包括108501張圖。由於當前很多的人臉資料集中存在人種的不均衡，fairface建立了一個更加均衡的資料集。該資料集共包括white、black、Indian、East Asian、Southeast Asian、Middle East及Latino 7類人種，圖片來源於YFCC-100M Flickr資料集，標註屬性包括人種（Race）、性別（Gender）、年齡組（Age Group）。
類似的資料集還有IBM收集的Diversity in Faces（DiF），同樣來自於YFCC-100M，有超過100萬的圖片。
7.2 人臉表情資料集
人臉表情識別（Facial Expression Recognition，FER）是人臉屬性識別技術中的一個重要組成部分，在人機互動、安全控制、直播娛樂、自動駕駛等領域都非常具有應用價值，因此在很早前就已經得到了研究。
（1） The Japanese Female Facial Expression（JAFFE） Database
資料集連結：
http：//www。
kasrl。org/jaffe。html
。
1998年釋出，這是比較小和老的資料庫。該資料庫是由10位日本女性在實驗環境下根據指示做出各種表情，再由照相機拍攝獲取的人臉表情影象。整個資料庫一共有213張影象，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。
（2） KDEF與AKDEF（Karolinska Directed Emotional Faces）
資料集地址：
http：//www。
emotionlab。se/kdef/
。
釋出於1998年，這個資料集最初是被開發用於心理和醫學研究目的。它主要用於知覺、注意、情緒、記憶等實驗。在建立資料集的過程中，特意使用比較均勻，柔和的光照，被採集者身穿統一的T恤顏色。這個資料集，包含70個人、35個男性、35個女性，年齡在20至30歲之間。沒有鬍鬚、耳環或眼鏡，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畫素。
（3） GENKI
資料集地址：
http：//
mplab。ucsd。edu
。
釋出於2009年，GENKI資料集是由加利福尼亞大學的機器概念實驗室收集。該資料集包含GENKI-R2009a、GENKI-4K、GENKI-SZSL三個部分。GENKI-R2009a包含11159個影象，GENKI-4K包含4000個影象，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，可專門用於做笑臉識別。這些影象包括廣泛的背景、光照條件、地理位置、個人身份和種族等。
（4） RaFD
資料集地址：
http：//www。
socsci。ru。nl：8180/RaFD2
/RaFD？p=main
。
釋出於2010年，該資料集是Radboud大學Nijmegen行為科學研究所整理的，這是一個高質量的臉部資料庫，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。
（5） Cohn-Kanade AU-Coded Expression Database
資料集地址：
http：//www。
pitt。edu/~emotion/ck-sp
read。htm
。
釋出於2010年，這個資料庫是在Cohn-Kanade Dataset的基礎上擴充套件來的，它包含137個人的不同人臉表情影片幀。這個資料庫比起JAFFE要大的多。而且也可以免費獲取，包含表情的標註和基本Action Units 的標註。
（6） Fer2013
資料集地址：
https：//www。
kaggle。com/c/challenges
-in-representation-learning-facial-expression-recognition-challenge/data
。
釋出於2013年，該資料集包含共26190張48×48灰度圖，圖片的解析度比較低，共6種表情。分別為anger生氣、disgust厭惡、fear恐懼、happy開心、sad傷心、surprised驚訝、normal中性。
（7） RAF（Real-world Affective Faces）
資料集地址：
http：//www。
whdeng。cn/RAF/model1。ht
ml
。
釋出於2017年，包含總共29672張圖片，其中7個基本表情和12個複合表情，而且每張圖還提供了5個精確的人臉關鍵點，年齡範圍和性別標註。
（8） EmotioNet
資料集地址：
http：//
cbcsl。ece。ohio-state。edu
/EmotionNetChallenge/
。
釋出於2017年，共950，000張圖，其中包含基本表情、複合表情，以及表情單元的標註。
（9） AffectNet
資料集地址：
http：//
mohammadmahoor。com/affe
ctnet/
。
釋出於2017年，資料集的採集使用6種不同語言的1250個關鍵詞在搜尋引擎中進行檢索，最後超過42萬張圖。標註型別包括表情型別和幅度，其中表情型別包括中性表情（Neutral）、高興（Happiness）、悲傷（Sadness）、驚訝（Surprise）、害怕（Fear）、厭惡（Disgust）、憤怒（Anger）、輕蔑（Contempt）等8種基本表情，以及無表情（None）、不確定（Uncertain）、無人臉（No-Face）。
表情識別目前的關注點已經從實驗室環境下轉移到具有挑戰性的真實場景條件下，研究者們開始利用深度學習技術來解決如光照變化、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，儘管目前表情識別技術被廣泛研究，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。表情的研究相對於顏值年齡等要難得多，應用也要廣泛的多，相信這幾年會不斷出現有意思的應用。
7.3 人臉年齡與性別資料集
人臉的年齡和性別識別在安全控制，人機互動領域有著非常廣泛的使用，而且由於收到妝造等影響，人臉的年齡估計仍然是一個難點。
（1） FGNet
資料集地址：
http：//
www-prima。inrialpes。fr/
FGnet/html/benchmarks。html
。
釋出於2000年，這是第一個意義重大的年齡資料集，包含了82個人的1002張圖，年齡範圍是0到69歲。
（2） CACD2000
資料集地址：
http：//
bcsiriuschen。github。io/
CARC/
。
釋出於2013年，這是一個名人資料集，包含了2000個人的163446張名人圖片，其範圍是16到62歲。
（3） Adience
資料集地址：
https：//www。
openu。ac。il/home/hassne
r/Adience/data。html#frontalized
。
釋出於2014年，這是採用iPhone5或更新的智慧手機拍攝的資料，共2284個人26580張影象。它的標註採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+）。
（4） IMDB-wiki
資料集地址：
https：//
data。vision。ee。ethz。ch/
cvl/rrothe/imdb-wiki/
。
釋出於2015年，IMDB-WIKI人臉資料庫是由IMDB資料庫和Wikipedia資料庫組成，其中IMDB人臉資料庫包含了460723張人臉圖片，而Wikipedia人臉資料庫包含了62328張人臉資料庫，總共523051張人臉資料。都是從IMDb和維基百科上爬取的名人圖片，根據照片拍攝時間戳和出生日期計算得到的年齡資訊，以及性別資訊，對於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資料集。
（5） MORPH
資料集地址：
http：//www。
faceaginggroup。com/morp
h/
。
釋出於2017年，包括13000多個人的55000張圖，年齡範圍是16到77。
7.4 人臉分割資料集
人臉屬性分割可以用於對人臉進行編輯以及輔助其他人臉相關的任務。
（1） Helen Parsing Dataset
資料集地址：
http：//www。
cs。wisc。edu/~lizhang/pr
ojects/face-parsing/
。
釋出於2013年，Helen Parsing dataset是將關鍵點檢測資料集Helen Dataset進行掩膜標註後得到的人臉影象分割資料集，包含2000張訓練影象和330張測試影象。資料集共包含10類面部區域的標註，分別是Face skin、Left eye、Right eye、Left brow、Right brow、Nose、Inner mouth、Upper lip、Lower lip、Background，標註的方法是每一個類別都單獨儲存為一張圖片。
（2） CelebAMask-HQ
資料集地址：
https：//
github。com/switchableno
rms/CelebAMask-HQ
。
釋出於2019年，CelebAMask-HQ是從CelebA-HQ資料集中標註的30000張人臉屬性分割資料集，其中影象大小均為512×512，包含19個類別，分別是skin、nose、eyes、eyebrows、ears、mouth、lip、hair、hat、eyeglass、earring、necklace、neck及cloth區域。
7.5 人臉顏值資料集
人臉顏值和吸引度在社交平臺和影象質量評估上都有應用。
（1） SCUT-FBP5500
資料集地址：
https：//
github。com/HCIILAB/SCUT
-FBP5500-Database-Release
。
釋出於2017年，資料集共5500個正面人臉，年齡分佈為15-60，全部都是自然表情。包含不同的性別分佈和種族分佈（2000亞洲女性、2000亞洲男性、750高加索男性、750高加索女性），資料分別來自於資料堂，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個人的年齡分佈為18～27歲，均為年輕人。適用於基於表觀和形狀等的模型研究。同時，每一個圖都提供了86個關鍵點的標註。
（2） Selfier
資料集地址：
https：//www。
crcv。ucf。edu/data/Selfi
e/
。
釋出於2015年，作者們從
http：//
selfeed。com
網站上收集了46，836張自拍圖，然後標註了36種屬性，分為以下組別，前面是屬性，後面是具體的分類。
性別：is female。
年齡：baby、child、teenager、youth、middle age、senior。
種族：white、black、asian。
臉型：oval、round、heart。
臉部表情：smiling、frowning、mouth open、tongue out、duck face。
頭髮顏色：black、blond、brown、red。
髮型：curly、straight、braid。
裝飾：glasses、sunglasses、lip- stick、hat、earphone。
其他。：showing cellphone、using mir-ror、having braces、partial face。
光照條件：harsh、dim。
每一張影象都標註了受歡迎的分數，該資料集可以用於研究人臉屬性與受歡迎程度之間的關係。
7.6 人臉妝造資料集
妝造在人臉影象中是普遍存在的，人臉的上妝與去妝，抗裝造干擾的人臉識別也是一種具有挑戰性的問題。
（1） YMU，VMU，MIW，MIFS等妝造資料集
資料集地址：
http：//www。
antitza。com/makeup-data
sets。html
。
釋出於2012年，這是一個女性面部化妝資料集，可用於研究化妝對面部識別的影響。總共包括4個子資料集：
YMU（YouTube化妝）：這是從YouTube影片化妝教程中獲取的面部影象，YouTube網址為
http：//www。
antitza。com/URLs_YMU。tx
t
。
VMU（虛擬化妝）：這是將從FRGC資料庫中採集的高加索女性受試者的面部影象，使用
公開的軟體來合成的虛擬化妝樣本，軟體來自
http：//www。
taaz。com
。
MIW：從網際網路獲得有化妝和沒有化妝的受試者的前後對比面部影象。
MIFS：化妝誘導面部欺騙資料集：這是從YouTube化妝影片教程的107個化妝影片中獲取。每一組包含3張圖片，其中一張圖片是目標的化妝前的主體影象，一個是化妝後的，另一個是其他人化同樣的妝試圖進行欺騙的圖片。
（2） 妝造遷移資料集
資料集地址：
http：//
liusi-group。com/project
s/BeautyGAN
。
釋出於2018年，包括3834張女性人臉圖，其中1115張無妝造人臉，2719張有妝造人臉。妝造型別包括不同程度的煙燻妝（smoky-eyes makeup style）、華麗妝（flashy makeup style）、復古妝（Retro makeup style）、韓式妝（Korean makeup style）及日式妝（Japanese makeup style）。
總結
本次我們給大家介紹了人臉相關的主要資料集，人臉影象屬於最早被研究的一類影象，也是計算機視覺領域中應用最廣泛的一類影象，其中需要使用到幾乎所有計算機視覺領域的演算法，可以說掌握好人臉領域的各種演算法，基本就玩轉了計算機視覺領域。
