开发技巧:大佬们都在用的4种人脸检测方法,速度快、精度高
发布网友
共1个回答
热心网友
这是一篇专门为AI初学者准备的文章，深入解析了四种常见的人脸检测方法，并对比了它们的优缺点。同时，我从资深AI开发者的角度，提供了一些开发技巧和建议，帮助大家找到最适合自己的方法。
在这里，你可以学习到关于AI深度学习的人脸检测技巧、建议和最佳实践，以及如何使用OpenCV和dlib实现高精度的人脸检测。
首先，让我们回顾一下在构建自己的计算机视觉管道时，会遇到的四个主要人脸检测器：
接下来，我们将对比以上几种方法的优缺点，并给出我对于何时使用特定人脸检测器的个人建议。
OpenCV的Haar级联人脸检测器是一种快速的人脸检测器，但可能会出现误报。它的优点是速度非常快，缺点是可能会误报检测。
优点：
缺点：
建议：当速度是最关键因素时，可以考虑使用Haar级联，但愿意牺牲一些准确性以换取实时性能。
如果你正在使用嵌入式设备，如RPi、Jetson Nano或Google Coral，可以考虑使用OpenCV的深度学习人脸检测器。
OpenCV的深度学习人脸检测器基于SSD模型，既准确又快速，可以在现代笔记本电脑/台式机CPU上实时运行。
优点：
缺点：
建议：OpenCV的深度学习人脸检测器是一个全能型检测器，使用简单，无需额外库，且依赖于OpenCV的cv2.dnn模块。
此外，如果你使用的是嵌入式设备，如Raspberry Pi，可以插入Movidius NCS并利用OpenVINO轻松获得实时性能。
然而，我发现该模型对深色皮肤的人面部检测不如浅肤色的人准确，这可能是由于训练数据的问题。
HOG + 线性 SVM是物体检测/人脸检测的经典算法，当需要比Haar级联更高的准确性，但又无法承担基于深度学习的检测器的计算复杂性时，可以考虑使用它。
优点：
缺点：
建议：HOG + Linear SVM是每个计算机视觉开发者都应该了解的经典对象检测算法。该算法本身非常慢，尤其是当你将其与OpenCV的SSD人脸检测器进行比较时。
我倾向于在Haar级联不够准确的地方使用HOG + 线性 SVM，但不能保证使用OpenCV的深度学习人脸检测器。
Dlib的CNN人脸检测器是最准确的，但速度较慢。当需要准确性高于一切时，可以使用它。
优点：
缺点：
建议：在离线批量处理人脸检测时，我倾向于使用dlib的MMOD CNN人脸检测器，这意味着我可以设置我的脚本并让它以批处理模式运行，而不必担心实时性能。
事实上，当我为人脸识别构建训练集时，我经常在训练人脸识别器本身之前使用dlib的CNN人脸检测器来检测人脸。
我倾向于不使用dlib的CNN面部检测器的唯一地方是当我使用嵌入式设备时。该模型不会在嵌入式设备上实时运行，它与Movidius NCS等开箱即用的嵌入式设备加速器不兼容。
如果你需要准确的人脸检测，请使用dlib的MMOD CNN人脸检测器。
要获得良好的全方位人脸检测器，请使用OpenCV的基于深度学习的人脸检测器。它准确且能够在现代笔记本电脑和台式机上实时运行。
当谈到一个好的、通用的人脸检测器时，我建议使用OpenCV的DNN人脸检测器：
有时候，你可能会想要使用上面提到的每个人脸检测器，因此请务必仔细阅读每个部分。
我们TSINGSEE青犀视频的研发人员近期也在积极开发人脸检测、人脸识别、人流量统计、安全帽检测等AI技术，并积极融入到现有的视频平台中。
