人脸检测

传统的算法

• 基于ACF特征的人脸检测 ACF & VJ Framework
  ACF：聚合通道特征，简单来说就是把各种特征聚合到一起，比如10个通道，可以包含 RGB, HSV, HOG等
  训练阶段：预处理获取一批人脸的正负样本，训练一个级联的 Adaboost 分类器（多个 Adaboost 级联检测），用于判断是否是人脸；
  检测阶段：遍历输入的图（设定一定的步长），通过训练好的分类器判断是否是人脸，去重，done.
  速度比较快：积分图，决策树也快

• opencv 的人脸检测
  基本上跟上面的类似，只是分别采用了不同的初始特征，opencv里有用 haar | hog | lbp等实现的特征提取，后面都采用了 cascade adaboost 做分类。

以上方法快，几乎可以在 CPU 上实时工作，简单的检测不同比例人脸，缺点是不抗遮挡，侧脸检测不到，误检会多些。

• dlib HOG
  cpu上最快的方法，效果居中

深度学习的检测方法

• opencv dnn 直达
  底层基于 ResNet-10，快，cpu 实时，多角度，更稳定鲁棒。

• dlib cnn
  cpu 上慢，gpu 上快，训练简单，不能检测小脸，中庸。

• mtcnn (2016) & facenet 直达
  这两个的准确率都达到了>99.5%。