如何進(jìn)行OpenCV及Dlib的人臉檢測比較分析

這期內(nèi)容當(dāng)中小編將會給大家?guī)碛嘘P(guān)如何進(jìn)行OpenCV及Dlib的人臉檢測比較分析，文章內(nèi)容豐富且以專業(yè)的角度為大家分析和敘述，閱讀完這篇文章希望大家可以有所收獲。

人臉檢測是計(jì)算機(jī)視覺最典型的應(yīng)用之一，早期OpenCV的logo就是Haar人臉檢測的示意圖。

很多人的第一個OpenCV學(xué)習(xí)目標(biāo)就是跑通Haar級聯(lián)人臉檢測，Dlib庫在業(yè)內(nèi)開始流行很大程度上是因?yàn)槠銱OG-SVM人臉檢測比OpenCV Haar的好，而近年來OpenCV和Dlib均已包含基于深度學(xué)習(xí)的人臉檢測算法實(shí)現(xiàn)。

Haar-Cascade,HOG-SVM,深度學(xué)習(xí)正是代表著人臉檢測乃至目標(biāo)檢測的三個時代。

昨天Learn OpenCV網(wǎng)站博主Vikas Gupta博士發(fā)表文章，對OpenCV與Dlib中四種人臉檢測算法實(shí)現(xiàn)進(jìn)行了比較分析，包含C++/Python的代碼示例，且對精度和速度都進(jìn)行了量化。

1. OpenCV Haar Cascade人臉檢測

算法無需贅言。

代碼示例：

優(yōu)點(diǎn)

1）幾乎可以在CPU上實(shí)時工作；

2）簡單的架構(gòu)；

3）可以檢測不同比例的人臉。

缺點(diǎn)

1）會出現(xiàn)大量的把非人臉預(yù)測為人臉的情況；

2）不適用于非正面人臉圖像；

3）不抗遮擋。

2. OpenCV DNN 人臉檢測

從OpenCV3.3版本后開始引入，算法出自論文《SSD: Single Shot MultiBox Detector》（https://arxiv.org/abs/1512.02325）。使用ResNet-10作為骨干網(wǎng)。

OpenCV提供了兩個模型：

1）原始Caffe實(shí)現(xiàn)的16位浮點(diǎn)型版本（5.4MB）;

2）TensorFlow實(shí)現(xiàn)的8位量化版本（2.7MB）。

Vikas Gupta的代碼包含了這兩種模型。

模型加載代碼示例：

檢測測試代碼示例：

優(yōu)點(diǎn)

1）在這四種方法中是最準(zhǔn)確的；

2）在CPU上能夠?qū)崟r運(yùn)行；

3）適用于不同的人臉方向：上，下，左，右，側(cè)面等。

4）甚至在嚴(yán)重遮擋下仍能工作；

5）可以檢測各種尺度的人臉。

缺點(diǎn)

作者認(rèn)為沒有什么大的缺點(diǎn)^_^

（52CV君不敢妄提缺點(diǎn)，但認(rèn)為不能使用NVIDIA GPU絕對是個遺憾）

3. Dlib HoG人臉檢測

代碼示例：

優(yōu)點(diǎn)

1）CPU上最快的方法；

2）適用于正面和略微非正面的人臉；

3）與其他三個相比模型很??；

4）在小的遮擋下仍可工作。

缺點(diǎn)

1）不能檢測小臉，因?yàn)樗?xùn)練數(shù)據(jù)的最小人臉尺寸為80×80，但是用戶可以用較小尺寸的人臉數(shù)據(jù)自己訓(xùn)練檢測器；

2）邊界框通常排除前額的一部分甚至下巴的一部分；

3）在嚴(yán)重遮擋下不能很好地工作；

4）不適用于側(cè)面和極端非正面，如俯視或仰視。

4. Dlib CNN人臉檢測

算法來自論文《Max-Margin Object Detection》（https://arxiv.org/abs/1502.00046）。

代碼示例：

優(yōu)點(diǎn)

1）適用于不同的人臉方向；

2）對遮擋魯棒；

3）在GPU上工作得非?？?；

4）非常簡單的訓(xùn)練過程。

缺點(diǎn)

1）CPU速度很慢；

2）不能檢測小臉，因?yàn)樗?xùn)練數(shù)據(jù)的最小人臉尺寸為80×80，但是用戶可以用較小尺寸的人臉數(shù)據(jù)自己訓(xùn)練檢測器；

3）人臉包圍框甚至小于DLib HoG人臉檢測器。

5. 四種方法精度比較

作者在FDDB數(shù)據(jù)庫中測評了四種人臉檢測算法實(shí)現(xiàn)的精度，結(jié)果如下：

可以看到Dlib的兩種方法效果都不怎么好，作者發(fā)現(xiàn)原來Dlib訓(xùn)練使用的數(shù)據(jù)集的人臉包圍框較小，導(dǎo)致按照FDDB的評價標(biāo)準(zhǔn)不公平。

另外，Dlib無法檢測小臉也拉低了分?jǐn)?shù)。

6. 速度比較

軟硬件環(huán)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

圖像大小300*300，測試結(jié)果如下：

可以看到除了MMOD 其他方法都達(dá)到實(shí)時，而MMOD方法的GPU計(jì)算是最快的。

7. 分情況檢測結(jié)果示例

7.1跨尺度檢測

7.2 非正面人臉

7.3 遮擋

8 總結(jié)推薦

如何在應(yīng)用中選擇人臉檢測算法呢？作者認(rèn)為應(yīng)該首先嘗試OpenCV DNN方法與Dlib HOG方法，然后再做決定。

一般情況

在大多數(shù)應(yīng)用程序中，我們無法知道圖像中人臉尺寸的大小。因此，最好使用OpenCV-DNN方法，因?yàn)樗浅？焖偾曳浅?zhǔn)確，即使對于小尺寸的人臉也是如此。它還可以檢測各種角度的人臉。所以O(shè)penCV-DNN是首選。

中到大尺寸的圖像

Dlib HOG是CPU上最快的方法。但它不能檢測到小臉（<70x70）。因此，如果知道程序不會處理非常小的人臉（例如自拍照），那么基于HOG的人臉檢測器是更好的選擇。

此外，如果你可以使用GPU（NVIDIA家的），那么MMOD人臉檢測器是最好的選擇，因?yàn)樗贕PU上非?？?，并且還提供各種角度的檢測。

高分辨率圖像

由于在高分辨率圖像中，這些算法的速度都會很慢，而如果縮小圖像尺寸，HOG/MMOD可能會失敗，同時OpenCV-DNN卻可以檢測小臉，所以對于高分辨率圖像推薦縮小圖像再使用OpenCV-DNN的方法。

上述就是小編為大家分享的如何進(jìn)行OpenCV及Dlib的人臉檢測比較分析了，如果剛好有類似的疑惑，不妨參照上述分析進(jìn)行理解。如果想知道更多相關(guān)知識，歡迎關(guān)注億速云行業(yè)資訊頻道。