OpenCV中支持的人脸检测方法整理与汇总

关注获取更多计算机视觉与深度学习知识

01

OpenCV中人脸检测概述

自从VJ在2004发表了关于级联分类器实时对象检测的论文以后，级联分类器就在OpenCV中落地生根了，一段时间，特别是OpenCV3.x版本中基于级联分类器的人脸检测一直是标配，虽然大家刚开始看了例子之后觉得这个是一个很实用的功能，但是在实际实用中级联分类器的人脸检测方法则是频频翻车，我自己曾经移植到Android上面玩过，日常就是两个字“翻车”，很多时候都无法达到开发者想要的稳定性与实时性能。但是这个并不妨碍它作为OpenCV3.x的一大关注点，还产生了无数的Demo演示程序。但是如今已经是OpenCV4.x的时代了，那些基于级联分类器的人脸检测演示看上去有点不合时宜，而且效果惨遭以深度神经网络模型人脸检测技术的毒打。OpenCV4中的人脸检测现在支持多种深度神经网络模型，与OpenCV3中的传统人脸检测方法形成鲜明对比。下面我们就来一一介绍一下从OpenCV3到OpenCV4中不同人脸检测技术。



02

OpenCV3 人脸检测技术

OpenCV3中人脸检测基于级联分类器不仅支持人脸检测，还支持眼睛与鼻子、嘴巴等检测、此外还支持笑脸检测，看上去非常多，实际上却很难稳定工作，此外还支持基于级联分类器的训练，这个方式要是要基于大数据才会出好的模型，但是相比深度学习，这个训练方式现在OpenCV4中自己已经把它抛弃了。

HARR特征级联分类器

HARR特征级联分类器人脸检测来自VJ的2004论文中提出，其主要思想可以通过下面一张图像解释：



LBP特征级联分类器

同样基于级联分类器，OpenCV3.x还支持基于LBP特征的人脸检测，这里也可以用图解释如





在OpenCV3.x这两种算法都支持人脸与眼睛识别，基本原理都是基于特征提取+级联分类器，它们之间有哪些异同点，下面的对比说明的很清楚：



03

OpenCV4 人脸检测技术

OpenCV3的人脸检测技术本质还是在解决OpenCV作为计算机视觉框架是否支持人脸检测功能的有无问题，本身是很难做到稳定跟可靠工业级输出。但是OpenCV4中的人脸检测算法采用深度学习技术，已经可以直接使用，达到实时跟稳定检测，在很多应用场景中无需再次训练模型。这样是极大的方便了开发者，节省了大量时间。

官方ResNet-10 SSD对象检测模型

OpenCV支持基于残差网络ResNet-10的SSD网络模型训练的人脸检测模型，分别实现了Caffe与tensorflow版本模型生成，量化为FP16与INT8，模型均小于5MB。



MTCNN支持

此外OpenCV还2016年提出的三阶段的人脸检测模型MTCNN的调用，也可以达到实时运行，MTCNN的网络结构如下：





MTCNN还是很多嵌入式设备上人脸检测选择，因为它不光支持人脸检测，还支持五点landmark输出，可以实现人脸对齐，为人脸识别做前期的处理。

OpenVINO中人脸检测模型

OpenCV4 在DNN中使用OpenVINO推理引擎模块实现对模型加速，同时支持OpenVINO的预训练模型库的加载与使用。而OpenVINO中有大量的人脸检测模型，这些模型一般都小于5MB，分别在多个垂直应用场景中训练生成，face-detection-0100到face-detection-0104都是基于MobileNetv2的SSD模型训练生成的人脸识别模型。非常实用！



OpenVINO提供模型库中总计超过10个人脸检测器，分别针对室内与室外场景，都可以直接调用。而且这些模型都是在CPU上可以实时推理运行，完成人脸检测，稳定可靠输出。

有了这些，可以说人脸检测环节基于OpenCV可以完全的自由选择，无需再重复造轮子！