FaceBoxes: A CPU Real-time Face Detector with High Accuracy

Abstract

• 虽然在人脸检测方面取得了巨大进展，但由于人脸检测的有效模型往往在计算上难以实现，因此，在CPU上实现实时速度和保持高性能仍然是一个有待解决的难题。为了解决这一难题，我们提出了一种新型的人脸检测器，名为“人脸盒”，在速度和精度上都具有优异的性能。具体来说，我们的方法有一个轻量级但功能强大的网络由快速消化的卷积层（RDCL）和多尺度卷积层（MSCL）组成的结构。
• RDCL的设计目的是使facebox能够在CPU上实现实时速度。MSCL的目的是丰富接收场，在不同的层上离散锚，以处理不同尺度的面。此外，我们还提出了一种新的锚密化策略。使不同类型的锚具有相同的密度在图像上，大大提高了召回率小脸孔。因此，建议的检测器在单个CPU内核上以20 fps的速度运行，在VGA分辨率图像中使用GPU以125 fps的速度运行。此外，facebox的速度与面数是不变的。我们综合评价该方法，并对多种人脸检测基准数据集（包括AFW、Pascal人脸和FDDB）的检测性能现状进行评价。

Introduction

• 人脸检测是计算机视觉和模式识别的基本问题之一。它在许多随后与人脸相关的应用中发挥着重要作用，如人脸对齐[47]、人脸识别[48]和人脸跟踪[12]。在过去的几年里取得了巨大的进步几十年来，尤其是卷积神经网络的突破，人脸检测已成功应用于我们在各种情境下的日常生活。
• 然而，面对无法控制的人脸检测问题，特别是CPU设备，仍然存在一些困难。面临的挑战主要来自对人脸探测器的两个要求：1）人脸的视觉变化较大背景杂乱的人脸需要人脸检测器准确处理复杂的人脸和非人脸分类问题；2）可能人脸的大搜索空间位置和面部尺寸进一步提高了时间效率要求。这两个要求是相互冲突的，因为高精度人脸探测器往往是通过计算来实现的。很贵。因此，它是剩余的未解决问题之一用于CPU设备上的实际人脸探测器，以实现实时性高，同时保持高性能。
• 为了满足这两个相互冲突的要求，面对检测主要从两个方面进行了深入研究。早期的方法是基于手工艺品的特点。继Viola Jones人脸检测仪[37]的开创性工作之后，早期的大部分工作都集中在设计健壮的特性和训练有效的分类器上。除级联结构外，还将可变形零件模型（DPM）引入人脸检测任务中，取得了显著的性能。然而，这些方法在很大程度上依赖于非鲁棒的手工艺特性，并分别对每个组件进行优化，使得人脸检测管道次优。
• 另一种方法是基于卷积神经网络（CNN），近年来在图像分类和目标检测等方面取得了显著的成就。近年来，CNN作为传统人脸检测框架中的特征抽取器成功地引入人脸检测任务。此外，一些人脸检测器[4，46]继承了有效的技术。从一般的目标检测方法，如更快的R-CNN[29]。这些基于CNN的人脸检测