如何提高人脸检测速度

首先，我承认这个题目有点标题党。之所以写这篇，因为发现微信微博上有很多公司介绍他们的技术，但都是说如何如何牛，但缺少技术细节，对读者帮助有限。因此写一点相对干货多的东西，希望能帮助大家。如有谬误，也请大家多加指正。

 

下面的内容适合正在用Boosting方法做目标检测的读者，也适合对提升算法速度感兴趣的读者。下面的这些内容，都已经应用到我们的人脸检测算法中，对于提升算法速度发挥了巨大作用。OpenCV中的检测速度是21.2毫秒；同样条件下，我们的算法速度是3.6毫秒，速度接近6倍，且检测准确率高很多。

 

阅读下面的内容之前，首先要区分两个概念“人脸检测/face detection”和“人脸识别/face recognition”。“人脸检测”是从图像中确定人脸的位置和大小，如下图所示；“人脸识别”是识别图像中的人脸是张三还是李四，是身份识别。

人脸检测是一个非常经典的问题，很多人认为这是一个“已经解决”了的问题。人脸检测最经典的方法是Haar+AdaBoost。采用开源的Haar+AdaBoost实现（如OpenCV中的训练和检测程序），我们可以很容易的训练一个还算不错的人脸检测器。但是，一旦将人脸检测技术投入实际应用，一系列问题便会冒出来。如（1）误检（把非人脸的物体当作人脸）较多，非人脸图像当作人脸送入后续算法，会引起一系列不良后果。（2）漏检问题，例如戴墨镜、大胡子、逆光条件、黑种人、倾斜姿态较大的脸无法检测到。（3）速度问题，虽很多人脸检测算法的速度已经很快，但在一个人脸分析（如人脸识别）系统中，人脸检测步骤的计算量往往超过50%。大部分检测算法采用窗口扫描的方式，窗口数目巨大，所以计算量居高不下。很多系统运行在低功耗平台，对计算量尤其敏感。假如手机一拍照片就发烫就很不好。

 

下图中人脸因为有墨镜和大胡子遮挡，加上角度倾斜，较难检测。图中红框本不是人脸，如被当作人脸，则是误检测。

下面介绍一下我们设计Boosting人脸检测方法的一些心得体会：

 

一、特征设计

特征设计是重中之重，如果特征从原理上就是计算量大，后面无论如何优化，都很难降计算量。

 

先说Haar特征，毫无疑问Haar特征用在人脸检测里具有里程碑式的意义。但现在看Haar特征，会发现它有一些明显的缺点。Haar特征是一种很弱的特征，这意味着需要很多特征组合在一起才能构成强分类器，对提升速度不利；如果正样本分布比较分散比较难区分时（例如正面侧面人脸全放进去），用这种弱特征分类会比较吃力。此外，在Haar特征的实现中，为了解决亮度归一化问题，需计算像素值的平方和（square sum），平方和需要64位整数来存储；还需要开方（sqrt）运算。64位整数运算和开方运算，对很多嵌入式系统来讲，都是高计算量操作。

HOG特征是一个描述能力特别强的特征，也可以用在人脸检测上。HOG特征需要计算梯度的方向和长度。计算方向需要ctan三角函数（可用查表法加速）以及开方操作。统计直方图时，为了效果好，需要soft voting加权投票。因此HOG是强描述特征，但特征提取的计算量较大。

   （图片来自 http://dlib.net）

LBP是一个好特征，描述能力强，特征提取仅需要逻辑运算和加法运算，值得推荐！LBP依然有吐槽点。如果你实现Multi-Block LBP，需要积分图来加速。积分图是很多算法的加速武器，但构建积分图时，很难用SIMD（单指令多数据）指令优化。

前面三种特征的对比分析，是为了说明好的特征要表达能力强且计算简单。很多二值特征（Binary feature）符合这一特点。我也偏好二值特征。二值特征还可以天然地解决图像的亮度变化问题，不需要事先对图像进行亮度均衡化。（例如使用Haar+AdaBoost检测人脸前，先对图像做直方图均衡化再检测，效果会好很多，不信你去试。）

 

二、样本

很多论文中会洋洋洒洒地介绍算法的先进性，但很少有论文分析样本对结果的影响。可能分析样本显得很工程化很low吧。而描述样本在高维特征空间的分布，应该是很多模式识别问题的核心问题。

好，不谈理论谈经验。样本选择是一般人不提的重要事情。如果你用手机自拍照片训练人脸检测器，应用在视频监控中，一般效果不会太好；如果你对所有人脸样本进行人脸对齐，要求双目绝对水平，那么训练出的分类器速度会比较快，但不能处理人脸姿态变化。即人脸样本越单一，训练出的分类器的速度会越快，但正确检测率低；如果样本复杂，速度变慢但检测率升高。如何平衡样本的复杂性和检测速度，需要针对具体应用斟酌。

 

此外负样本也很关键。如果你从几千张风景图里抠图作为负样本进行训练，那么基本上会overfitting，即训练时误检率很低，但实际应用时误检率比较高。要准确刻画非人脸图像，负样本的规模一定要大，负样本的内容一定要多样化！我们平时训练用的负样本图像大约有20GB，包含各种内容的图像。

 

三、分类器训练

这个可说的不多，Boosting方法就那些，可以尝试各种Boosting方法和各种参数，找到合适的。

 

后面会说说代码层面的优化。

 

四、代码优化：消灭重复计算

 

通过分析工具，找出最影响速度的代码段，有针对性地优化。一般来说是判断窗口是否是人脸的代码最耗时，因为调用次数最多。代码里首先要消灭的是重复计算，如代码

int b1 = pixels[y*step + x] - pixels[y*step + x + 1];

int b2 = pixels[y*step + x + 2] - pixels[y*step + x + 3];

可以写为

int offset = y *step + x;

int b1 =pixels[offset] - pixels[offset+1];

int b2 = pixels[offset+2] - pixels[offset+3];

 

五、代码优化：展开循环

如果循环次数是固定的，可以去掉for循环，直接展开。代码行数虽然多了，但是少了for循环的条件判断，可以加速，例如可加速10%-20%。另外可以在设计分类器的时候，就把这些因素考虑进去，由训练程序生成的强分类器包含固定数目的弱分类器，或者某种规律数目的弱分类器，这样有利于检测代码优化。

 

六、代码优化：利用SIMD指令

无论Intel CPU还是ARM CPU，都有SIMD（单指令多数据）指令。利用这些指令，可以一次算多个数据。例如两个BYTE向量相加，支持128位的SIMD指令可以一次算16个BYTE的加法，理论上可以加速16倍。我们常用的加速利器积分图，它的构建过程很难用SIMD加速。如果你有更好的策略，可以果断抛弃积分图。

 

七、代码优化：多核并行运算

OpenMP或者Intel TBB可以让我们充分利用CPU的多个内核进行并行运算，提升速度。但用了OpenMP或TBB，未必可以加速，或未必可以加速到期望的倍数。多核并行，任务的拆分的粒度应该尽可能粗，不同的任务尽可能不用同一块内存，也就是任务之间的相关度低一些有利于加速。

 

举给例子：如果两个矩阵相加，按像素进行并行操作，加速效果会很糟糕；如果按行并行，效果会好很多，但不要按列并行！

 

八、代码优化：定点化

有些低功耗嵌入式系统不支持硬件浮点运算，特征提取和分类器设计应尽可能避免浮点运算。不可避免的浮点数可以转为定点数，当然这会损失精度。我们曾经将float类型转为8位整数，而准确率无明显影响。

 

九、代码优化：GPU优化

GPU跟CPU不同，有自己独特的特点。GPU特别适合做无复杂逻辑但计算量大的事情。例如图像resize、图像滤波等。Boosting算法可以运行在GPU上，并获得加速，但GPU加速Boosting优势并没有你想象的明显。Boosting算法中逻辑分支较多，也就是有不定长的for循环，有if-else判断；并行的时候每个运算单元运算量并不相同，有些运行时间长，有些运行时间短。运行时间短的要等运行时间长的。我们做了很多努力，GPU版本（低端GTX750i显卡）速度大约可以做到CPU版本（i7多核并行）的6倍左右。跟OpenCV中用GPU加速Haar+Adaboost的倍数一致，而没有达到期望的几十倍加速。

  

十、吐槽：非连续内存读写

读写非连续内存，速度可能变慢。如下图Haar积分图计算像素和的公式是D-B-C+A，需要读4个元素值，但这4个值在内存里并不连续，特别是A和D距离较远，这样降低了CPU缓存的命中率，也就降低了速度。对缓存小的低价位CPU影响尤为明显。虽然公式D-B-C+A的计算量跟E-F-G-H相同，但一般来说后者速度会快。此外，Boosting方法选出的多个弱特征，在图像上往往也不相邻，同样是低效的非连续内存的读写，这是Boosting类方法的一个缺点。

十一、未来展望

到目前为止，Boosting方法在人脸检测中依然具有明显的速度优势。但基于深度学习的目标检测方法进展迅速，不容小视。深度学习的方法可以很容易地获得非常高的准确率，如在FDDB人脸检测评库上，传统方法能达到85%准确率就非常高了，但深度学习方法可以轻松超过90%，甚至超过95%。如果想兼顾速度和准确率，传统方法和深度学习的方法结合也许是一个思路，现在已经有一些这样的尝试了。此外，CNN专用硬件应可以弥补深度学习方法的劣势。