人脸检测算法概述

1. 传统人脸检测算法
   利用手工特征+分类器，以滑窗方式在图像金字塔上遍历所有位置和大小，进行人脸检测

Viola-Jones算法：

Viola-Jones算法三个最重要的点：

• Hear特征，一个非常高效特征
• AdaBoost构建分类器
• 分类器1和分类器2是级联的结构

深度学习早期人脸检测算法：

滑窗	滑窗操作遍历所有的位置
金字塔	图像金字塔遍历所有的大小
级联	3个级联的阶段，人脸数量从多到少，人脸难度从易到难，网络结构从简单到复杂
深度学习	利用深度学习中的神经网络进行特征提取+分类器+矫正器+其他
优点	有着满足实际需求的精度，具备CPU实时的速度
缺点	1. 局部最优:三个独立的阶段，容易取得局部最优而非全局最优; 2. 训练繁琐:训练不是端到端的，每个段单独处理，非常繁琐 3. 检测速度:检测速度与图像上人脸的数量高度相关 4. 检测精度:在复杂的场景下，检测精度不能够满足性能的需求
总结	深度学习早期人脸检测算法的代表，开创了深度学习时代下，人脸检测的一个派系，很多实际场景中都在使用该类型的算法

深度学习后期人脸检测算法:对通用物体检测算法进行相应改进，应用于人脸检测领域

高效率的人脸检测算法

• 基础网络为专门设计的轻量级的网络结构。
• 在实际场景中，检测大于30个像素的人脸，有着满足需求的检测精度
• 能够在资源受限的前端设备 (CPU、ARM、FPGA等)上实时的运行.
• 追求检测速度和检测精度的平衡，满足实用性

高效率算法: 由于资源受限，只需要在正常场景下满足精度需求 (人脸>30个像素，背景比较简单)

高精度的人脸检测算法

• 基础网络为重量级的VGG16或ResNet-50/101/152等
  。
• 在复杂场景下，有着非常高的检测精度，非常小的人脸也能检测·
• 可以在高性能的GPU设备上实时的运行
  ·追求极致的检测精度，检测速度可以不考虑

高精度算法: 由于资源充足，需要在所有场景下都满足精度需求(任何尺度人脸，背景非常复杂)

FaceBox结构：
SFD&SFDet

1. 尺度上公平的检测框架
   利用感受野理论设计锚框大小，同时提出等比间隔原则，辅助锚框所铺设的检测层的选取。
2. 尺度补偿的锚框匹配策略
   在传统的锚框匹配结束后，增加了一轮锚框的匹配，通过增加的一轮锚框匹配将没有匹配到充足正样本的人脸找到，通过放低匹配的条件阈值，使得人脸能够匹配到更多的正样本，从而提高召回率。
3. 背景标签输出最大化操作
   能够有效降低小尺度锚框造成的虚检，把一些弱的背景小分类器集成一个强的背景标签类别，从而降低虚检。

SRN & RefineFace

• 选择性二阶段分类
  只在检测层的前三个层做二阶段的分类
• 选择性二阶段回归
  只在检测层的后三个层做二阶段的回归
• 感受野增强模块
• 尺度敏感的margin损失函数
• 特征监督模块