如何进行OpenCV及Dlib的人脸检测比较分析

这期内容当中小编将会给大家带来有关如何进行OpenCV及Dlib的人脸检测比较分析，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

创新互联建站服务项目包括措美网站建设、措美网站制作、措美网页制作以及措美网络营销策划等。多年来，我们专注于互联网行业，利用自身积累的技术优势、行业经验、深度合作伙伴关系等，向广大中小型企业、政府机构等提供互联网行业的解决方案，措美网站推广取得了明显的社会效益与经济效益。目前，我们服务的客户以成都为中心已经辐射到措美省份的部分城市，未来相信会继续扩大服务区域并继续获得客户的支持与信任！

人脸检测是计算机视觉最典型的应用之一，早期OpenCV的logo就是Haar人脸检测的示意图。

很多人的第一个OpenCV学习目标就是跑通Haar级联人脸检测，Dlib库在业内开始流行很大程度上是因为其HOG-SVM人脸检测比OpenCV Haar的好，而近年来OpenCV和Dlib均已包含基于深度学习的人脸检测算法实现。

Haar-Cascade,HOG-SVM,深度学习正是代表着人脸检测乃至目标检测的三个时代。

昨天Learn OpenCV网站博主Vikas Gupta博士发表文章，对OpenCV与Dlib中四种人脸检测算法实现进行了比较分析，包含C++/Python的代码示例，且对精度和速度都进行了量化。

1. OpenCV Haar Cascade人脸检测

算法无需赘言。

代码示例：

优点

1）几乎可以在CPU上实时工作；

2）简单的架构；

3）可以检测不同比例的人脸。

缺点

1）会出现大量的把非人脸预测为人脸的情况；

2）不适用于非正面人脸图像；

3）不抗遮挡。

2. OpenCV DNN 人脸检测

从OpenCV3.3版本后开始引入，算法出自论文《SSD: Single Shot MultiBox Detector》（https://arxiv.org/abs/1512.02325）。使用ResNet-10作为骨干网。

OpenCV提供了两个模型：

1）原始Caffe实现的16位浮点型版本（5.4MB）;

2）TensorFlow实现的8位量化版本（2.7MB）。

Vikas Gupta的代码包含了这两种模型。

模型加载代码示例：

检测测试代码示例：

优点

1）在这四种方法中是最准确的；

2）在CPU上能够实时运行；

3）适用于不同的人脸方向：上，下，左，右，侧面等。

4）甚至在严重遮挡下仍能工作；

5）可以检测各种尺度的人脸。

缺点

作者认为没有什么大的缺点^_^

（52CV君不敢妄提缺点，但认为不能使用NVIDIA GPU绝对是个遗憾）

3. Dlib HoG人脸检测

代码示例：

优点

1）CPU上最快的方法；

2）适用于正面和略微非正面的人脸；

3）与其他三个相比模型很小；

4）在小的遮挡下仍可工作。

缺点

1）不能检测小脸，因为它训练数据的最小人脸尺寸为80×80，但是用户可以用较小尺寸的人脸数据自己训练检测器；

2）边界框通常排除前额的一部分甚至下巴的一部分；

3）在严重遮挡下不能很好地工作；

4）不适用于侧面和极端非正面，如俯视或仰视。

4. Dlib CNN人脸检测

算法来自论文《Max-Margin Object Detection》（https://arxiv.org/abs/1502.00046）。

代码示例：

优点

1）适用于不同的人脸方向；

2）对遮挡鲁棒；

3）在GPU上工作得非常快；

4）非常简单的训练过程。

缺点

1）CPU速度很慢；

2）不能检测小脸，因为它训练数据的最小人脸尺寸为80×80，但是用户可以用较小尺寸的人脸数据自己训练检测器；

3）人脸包围框甚至小于DLib HoG人脸检测器。

5. 四种方法精度比较

作者在FDDB数据库中测评了四种人脸检测算法实现的精度，结果如下：

可以看到Dlib的两种方法效果都不怎么好，作者发现原来Dlib训练使用的数据集的人脸包围框较小，导致按照FDDB的评价标准不公平。

另外，Dlib无法检测小脸也拉低了分数。

6. 速度比较

软硬件环境：

Processor : Intel Core i7 6850K – 6 Core

RAM : 32 GB

GPU : NVIDIA GTX 1080 Ti with 11 GB RAM

OS : Linux 16.04 LTS

Programming Language : Python

图像大小300*300，测试结果如下：

可以看到除了MMOD 其他方法都达到实时，而MMOD方法的GPU计算是最快的。

7. 分情况检测结果示例

7.1跨尺度检测

7.2 非正面人脸

7.3 遮挡

8 总结推荐

如何在应用中选择人脸检测算法呢？作者认为应该首先尝试OpenCV DNN方法与Dlib HOG方法，然后再做决定。

一般情况

在大多数应用程序中，我们无法知道图像中人脸尺寸的大小。因此，最好使用OpenCV-DNN方法，因为它非常快速且非常准确，即使对于小尺寸的人脸也是如此。它还可以检测各种角度的人脸。所以OpenCV-DNN是首选。

中到大尺寸的图像

Dlib HOG是CPU上最快的方法。但它不能检测到小脸（<70x70）。因此，如果知道程序不会处理非常小的人脸（例如自拍照），那么基于HOG的人脸检测器是更好的选择。

此外，如果你可以使用GPU（NVIDIA家的），那么MMOD人脸检测器是最好的选择，因为它在GPU上非常快，并且还提供各种角度的检测。

高分辨率图像

由于在高分辨率图像中，这些算法的速度都会很慢，而如果缩小图像尺寸，HOG/MMOD可能会失败，同时OpenCV-DNN却可以检测小脸，所以对于高分辨率图像推荐缩小图像再使用OpenCV-DNN的方法。

上述就是小编为大家分享的如何进行OpenCV及Dlib的人脸检测比较分析了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注创新互联行业资讯频道。