OpenCV vs Dlib 人脸检测比较分析

https://www.52pojie.cn/thread-819328-1-1.html

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。