1. 什么是关键点检测？
人脸关键点检测是指给定人脸图像，定位出人脸面部的关键点，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓区域的点，由于受到姿态和遮挡等因素的影响，人脸关键点检测是一个富有挑战性的任务。
人脸关键点是人脸各个部位的重要特征点，通常是轮廓点与角点，下图是96个面部关键点检测结果。
其中点代表位置，数字代表序号。人脸关键点可以有以下主要应用：
- 人脸姿态对齐，人脸识别等算法都需要对人脸的姿态进行对齐从而提高模型的精度。
- 人脸美颜与编辑，基于关键点可以精确分析脸型、眼睛形状、鼻子形状等，从而对人脸的特定位置进行修饰加工，实现人脸的特效美颜，贴片等娱乐功能，也能辅助一些人脸编辑算法更好地发挥作用。
- 人脸表情分析，基于关键点可以对人的面部表情进行分析，从而用于互动娱乐，行为预测等场景。
2. 人脸关键点数据集
关键点能够反映各个部位的脸部特征，随着技术的发展和对精度要求的增加，人脸关键点的数量经历了从最初的5个点到如今超过200个点的发展历程，在人脸等算法上拥有领先技术优势的商汤科技先后定出过106个关键点等行业标准。
2.1 5点标注
人脸面部最关键的有5个点，分别为左右两个嘴角，两个眼的中心，鼻子，这5个关键点属于人脸内部关键点，根据它们就可以计算出人脸的姿态。当然早期也有标注4个点以及6个点的方案。 2005年发布的 FRGC-V2（Face Recognition Grand Challenge Version2.0）中标注了双眼、鼻子、嘴巴、下巴共5个关键点。 2007年发布的Caltech 10000 Web Faces数据集中标注了双眼、鼻子和嘴巴共4个关键点。 2013年的AFW数据集中标注了双眼、鼻子、嘴唇共6个关键点，其中嘴唇有3个点。 2014年发布的MTFL/MAFL数据集中标注了双眼、鼻子和2个嘴角共5个关键点。
2.2 68点标注
68点标注是现今最通用的一种标注方案，早期在1999年的Xm2vtsdb数据集中就被提出，300W数据集和XM2VTS等数据集也都采用了68个关键点的方案，被OpenCV中的Dlib算法中所采用。 68个关键点的标注也有一些不同的版本，这里我们介绍最通用的Dlib中的版本，它将人脸关键点分为内部关键点和轮廓关键点，内部关键点包含眉毛、眼睛、鼻子、嘴巴共计51个关键点，轮廓关键点包含17个关键点。
Dlib所采用的68个人脸关键点标注可以看上图，单边眉毛有5个关键点，从左边界到右边界均匀采样，共5×2=10个。 眼睛分为6个关键点，分别是左右边界，上下眼睑均匀采样，共6×2=12个。 嘴唇分为20个关键点，除了嘴角的2个，分为上下嘴唇。上下嘴唇的外边界，各自均匀采样5个点，上下嘴唇的内边界，各自均匀采样3个点，共20个。 鼻子的标注增加了鼻梁部分4个关键点，而鼻尖部分则均匀采集5个，共9个关键点。 脸部轮廓均匀采样了17个关键点。 如果把额头部分也加上去，就可以得到更多，比如81个关键点。
2.3 96/98点标注
公开的数据集比较少超过68个关键点，其中比较有名的是Wider Facial Landmark in the Wild（WFLW），它提供了98个关键点。 WFLW 包含了 10000 张脸，其中 7500 用于训练，2500 张用于测试。除了关键点之外，还有遮挡、姿态、妆容、光照、模糊和表情等信息的标注。
2.4 106与186点标注
106个关键点标注是商汤科技提出的在业内被广泛采用的方案，包括Face++等企业开放的API多采用这个标注方式，具体信息如下：
外轮廓，33个均匀采样点，比Dlib更加密集。 嘴巴20个关键点，与Dlib标注的相同。 鼻子15个关键点，与Dlib相比增加了两侧鼻梁部位。 眼睛20个关键点，每只眼睛轮廓点共8个，眼球中心点2个。 眉毛18个关键点，区分了上眉毛边界。 后续又在106个关键点的基础上提出了更加稠密的186个关键点，如今各个开发团队使用的点数可能会有差异，比如百度使用过72和150个点的方案。 除了以上这些常用的方案，还有很多的数据集也有自己的标注标准，比如BioID Face Dataset包含20个关键点，BUHMAP-DB包含52个关键点，MUCT包含76个关键点，PUT大部分图像包含30个关键点，其中正面人脸包括了194个点。
3. 数据集下载
| 数据集 | 介绍 | 链接 |
|---|---|---|
| 300W | 共600张图片（300室内，300室外），68关键点 | https://ibug.doc.ic.ac.uk/resources/300-W/ |
| XM2VTS | 2360张正面图，68关键点 | http://www.ee.surrey.ac.uk/CVSSP/xm2vtsdb/ |
| LFPW | 1432张图片，29关键点 | https://neerajkumar.org/projects/face-parts/ |
| HELEN | 2000张训练集，330张测试集 | http://www.ifp.illinois.edu/~vuongle2/helen/ |
| IBUG | 135张图片 | https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/ |
| XM2VTS | 2360张正面图，68关键点 | http://www.ee.surrey.ac.uk/CVSSP/xm2vtsdb/ |
| AFLW | 20000张训练，4386张测试 | |
| FRGC V2 | 50000张训练，4003张测试 | |
| ICME 人脸106关键点检测比赛官方数据集 | 106个点 | https://facial-landmarks-localization-challenge.github.io/#index https://sites.google.com/view/hailin-shi |
| CelebA（2015） | 5个点，10177个人,共202599幅人脸图像 | |
| WFLW（ECCV2018） | 98个点，7500训练集，2500测试集 | |
| MTFL/MAFL（2014） | 68个点，MTFL数据集包含了12995 张脸，5个关键点标注；(MAFL) 数据集则包含了20000张脸，5个关键点标注与40个面部属性 | |
| SCUT-FBP（2017） | 86个点，2000亚洲女性，2000亚洲男性，750高加索男性，750高加索女性 |
4. 人脸关键点难点
人脸关键点是人脸相关问题的基础，作为基础模块，人脸关键点检测对速度很敏感，否则将会影响系统整体的效率，所以对人脸关键点检测的要求是，又准又快。
人脸关键点目前存在的问题（不能又准又快）的原因如下：
- 局部变化：表情、局部特殊光照、部分遮挡，导致一部分关键点偏离了正常的位置，或者不可见了；
- 全局变化：人脸姿态、成像质量；
- 数据不均衡：在人脸数据里面，数据不均衡体现在，大部分是正脸数据，侧脸很少，所以对侧脸、大角度的人脸不太准；
- 模型效率：在 CNN 的解决方案中，模型效率主要由 backbone 网络决定。
在实际使用中，人脸关键点的问题主要有两个：
- 对“点是否遮挡”判断是否准确；
- 对大角度人脸（±60 度以内）点位置预测的准确性和稳定性。