深度学习---人脸检测（勿喷）

所谓人脸检测，就是给定任意一张图片，找到其中是否存在一个或多个人脸，并返回图片中每个人脸的位置和范围。自动人脸检测技术是所有人脸影像分析衍生应用的基础。

人脸检测大致分为两种方案：一是刚性模板（rigid templates）法，主要通过基于增强的方法（boosting based methods）或深度学习神经网络，二是通过部件描述面部的可变形模型（deformable models）。

Haar-like特征有多种表示方法（图示），应用时将任意一个矩形放到人脸区域上，然后将白色区域的像素和减去黑色区域的像素和，得到的值可认为是人脸特征值；把这个矩形放到一个非人脸区域计算出的特征值则与人脸特征值不同。所以这些方块的目的就是把人脸特征量化，以区分人脸和非人脸。

Adaboost(Adaptive Boosting)是一种学习模型，它的核心思想是将弱学习方法通过学习反馈提升成强学习算法，也就是“三个臭皮匠顶一个诸葛亮”。

两者相结合，利用 Adaboost优秀的数据挖掘能力从海量的Haar-like特征中训练得出强分类器，大大提高了检测的速度和检测的精确率。

人脸检测作为各种人脸任务的基础，它的存在尤为重要，由于人工智能的普及，当前的人脸检测方法已经被深度学习占领了，当然，在深度学习以前，也就是传统方法中也有做人脸检测的方法，主要包括以下方法：

1. 通过人脸的轮廓，眼睑轮廓，嘴角轮廓等来确定人脸的位置。
2. 人脸肤色特征，可以通过RGB,HSV等颜色空间来对人脸区域检测，通常来说，每个物体都具有自己独特的RGB和HSV的颜色空间表示。
3. 就要模板的匹配，实现给定人脸的模板，之后在真实的场景中，分别计算人脸模板中存在属性的相关性，例如鼻子，眼睛，嘴唇等等，当相关性在一定阈值范围内，即可认为与模板匹配，进而得出人脸区域是否存在。
   当前，人脸检测在深度学习中，属于目标检测的内容，在训练阶段，需要收集人脸在实际图像中的真实坐标位置（可以是上下左右四个坐标，也可以是左上和右下两个坐标），神经网络在训练过程中不断预测出人脸坐标，与真实的人脸左边位置进行比较，最终模型将会预测出趋近于真实人脸坐标位置的坐标，随后预测最好的模型输出人脸坐标即可在真实图像中绘制各个人脸框，进而实现人脸检测。

代码展示

        

深度学习-人脸识别(大一作业，勿喷)