opencv 训练人脸对比_python机器学习进行精准人脸识别

人脸识别准确率低？

上一篇我们讲了使用OpenCV进行人脸识别的最基础操作。但是从最后的效果可以看出，识别率、效率都很低，而且误检率比较高，识别过程中，系统资源占用相当大，实在是没办法在实际场合中使用。在opencv3.4 版之前自带的人脸检测器是基于Haar算法实现的，不仅检出率低，而且脸的角度稍大一些就检测不出来。但是随着深度学习领域的发展，涌现了一大批效果相当不错的人脸检测算法。

人脸检测方式对比

• OpenCV Haar人脸检测优点
  1)几乎可以在CPU上实时工作；
  2)简单的架构；
  3)可以检测不同比例的人脸。

缺点
1)会出现大量的把非人脸预测为人脸的情况；
2)不适用于非正面人脸图像；
3)不抗遮挡。

• OpenCV DNN 人脸检测优点
  1)在这四种方法中是最准确的；
  2)在CPU上能够实时运行；
  3)适用于不同的人脸方向：上，下，左，右，侧面等。
  4)甚至在严重遮挡下仍能工作；
  5)可以检测各种尺度的人脸。

缺点
基本上没有什么明显的缺点

• Dlib HoG人脸检测优点
  1)CPU上最快的方法；
  2)适用于正面和略微非正面的人脸；
  3)与其他三个相比模型很小；
  4)在小的遮挡下仍可工作。

缺点
1)不能检测小脸，因为它训练数据的最小人脸尺寸为80×80，但是用户可以用较小尺寸的人脸数据自己训练检测器；
2)边界框通常排除前额的一部分甚至下巴的一部分；
3)在严重遮挡下不能很好地工作；
4)不适用于侧面和极端非正面，如俯视或仰视。

• Dlib CNN人脸检测优点
  1)适用于不同的人脸方向；
  2)对遮挡鲁棒；
  3)在GPU上工作得非常快；
  4)非常简单的训练过程。

缺点
1)CPU速度很慢；
2)不能检测小脸，因为它训练数据的最小人脸尺寸为80×80，但是用户可以用较小尺寸的人脸数据自己训练检测器；
3)人脸包围框甚至小于DLib HoG人脸检测器。

非正面人脸检测效果对比：