人脸检测
人脸检测的目标是找出图像中所有的人脸对应的位置，算法的输出是人脸外接矩形在图像中的座标，可能还包括姿态如倾斜角度等信息。
传统方法
早期的人脸检测算法使用了模板匹配技术，即用一个人脸模板图像与被检测图像中的各个位置进行匹配，确定这个位置处是否有人脸，一般是使用mlp、 svm、adaboost等算法：根本思想在于通过多个简单的弱分类器（前面的强分类器设计很简单，包含的弱分类器很少，可以快速排除掉大量的不是人脸的窗口，）构建出准确率很高的强分类器。用到的一些特征有pca，herr like等。
深度学习方法
- Cascade CNN：构建多尺度的人脸图像金字塔，12-net将密集的扫描这整幅图像（不同的尺寸），快速的剔除掉超过90%的检测窗口。采用非极大值抑制（NMS）合并高度重叠的检测窗口，保留下来的候选检测窗口将会被归一化到24x24作为24-net的输入。第一级还是基于密集滑动窗口的方式进行窗口过滤。
- MTCNN：将人脸区域检测和人脸关键点检测放在了一起
三个部分：PNet(用来生成候选框)、RNet(去除大量的非人脸框和非极大值抑制)和ONet(输出框和关键点)人脸分类，边框回归，关键点定位 - Face-RCNN
- PyramidBox
人脸关键点提取
传统方法
- ASM：主动形状模型。为每个关键点构建局部特征，目的是在每次迭代搜索过程中每个关键点可以寻找新的位置。对其人脸，在对齐后的各个点附近搜索，匹配每个局部关键点
- AAM：形状加纹理特征
深度学习方法
- DCNN：级联回归方法。作者通过精心设计拥有三个层级的级联卷积经网络，每层不断的去优化。
- MTCNN
人脸图像分割
传统方法
- 基于阈值的分割方法：基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值作比较，最后将像素根据比较结果分到合适的类别中。难点就是阈值选择上，单阈值，多阈值。
- 基于区域的图像分割方法：区域生长：从单个像素出发，逐步合并以形成所需要的分割区域，另一种是从全局出发，逐步切割至所需的分割区域（种子像素，生长准则，生长停止条件）。
- 基于边缘检测的分割方法：不同区域的边界上像素的灰度值变化比较剧烈，如果将图片从空间域通过傅里叶变换到频率域，边缘就对应着高频部分。一阶边缘算子，二阶边缘算子
- 主动轮廓ASM的方法：先定义初始曲线C，然后根据图像数据得到能量函数，通过最小化能量函数来引发曲线变化，使其向目标边缘逐渐逼近，最终找到目标边缘。
深度学习方法：
- Mask-RCNN：在faster-rcnn基础上增加像素级分割
- FCN:图片会先进性上采样（扩大像素）；再进行卷积，通过学习获得权值
- UNet：特征提取，上采样部分(每上采样一次就与对应的通道相同尺度融合)
- deepLab系列算法