人脸检测

人脸检测是人脸识别算法的第一步，人脸识别过程主要分为人脸图像获取、人脸检测、人脸配准、人脸表征以及人脸图像匹配与识别。人脸检测的目标是找出图像中所有的人脸对应的位置，算法的输出是人脸外接矩形（椭圆）在图像中的坐标，可能还包括姿态如倾斜角度等信息。人脸检测在安防监控，人证比对，人机交互，社交和娱乐等方面有很强的应用价值。

数据集

人脸检测常用的数据集有FDDB和WIDER FACE， FDDB是一个面部区域数据集，主要研究无约束人脸检测问题，一共包含了2845张图片，包含彩色以及灰度图，其中的人脸总数达到5171个。这些人脸所呈现的状态多样，包括遮挡、罕见姿态、低分辨率以及失焦的情况，并且每个人脸都有其规定的坐标位置。WIDER FACE数据集是人脸检测的一个基准数据集，包含32203图像，以及393,703个人脸，分别在尺度、姿势、标准、表达、装扮和光照等方面有不同的体现。制作者来自于香港中文大学（2016年发布），他们选择了61个事件类别，对于每个类别，随机选择40%，10%，50%作为训练、验证、测试工作。

AdaBoost框架的人脸检测算法

在深度学习的人脸检测方法出现之前，AdaBoost框架的人脸检测方法在工业界被广泛使用。AdaBoost框架的基本思想是通过几个简单的弱分类器构建出强分类器，具有代表性的方法为VJ算法（VJ算法使用了5种基本的Haar特征以及基本的级联结构），后人在一段时间中就VJ框架进行改进，有扩展的Haar特征，LBP特征，SIFT特征，HOG特征等代替5种基本的Haar特征，或者是金字塔式级联结构，树形的级联结构代替原来的级联结构，或是链式Boosting方法，嵌套式Boosting方法来改进分类器，提高人脸检测的效率和精度。

VJ人脸检测器是在2001年提出的，相比于之前的一些早期人脸检测算法，VJ人脸检测器在获得相同或者更好的准确度的同时，速度提升了几十甚至上百倍，在当时的硬件条件下达到了每秒处理15张图像的速度，接近实时速度的25fps。VJ人脸检测器是人脸检测历史上最具有里程碑意义的一个成果之一，奠定了基于AdaBoost的目标检测框架的基础。VJ人脸检测相比于早期的一些算法，在检测速度上提高了很多，归功于三个关键要素：分别是特征的快速计算方法-积分图，分类学习方法-AdaBoost以及级联结构。

下图是分类器级联进行判断的示意图。通过若干个强分类器级联，如果一个检测窗口通过了第一级分类器的筛选就判断为人脸，然后送到下一级分类器进行判定，从前往后，分类器的复杂程度和计算代价逐渐增大。如果检测窗口通过所有的强分类器，就判断为人脸，否则就是非人脸。VJ人脸检测器通过将AdaBoost构建的强分类器级联进行人脸检测，可以提高检测性能也大幅加快检测速度。

VJ算法有3点缺点，首先是5种基本的Haar-like特征是一种相对简单的特征，其稳定性较低。第二点是VJ算法对于解决正面的人脸效果好，对于人脸的遮挡，姿态，表情等特殊且复杂的情况，处理效果不理想。所以后来又有改进Haar特征的方法，在原来5个Haar特征模板的基础上增加了旋转等方式，对姿态等问题有所改进。第三点是VJ分类器评价一个样本不会基于前几个分类器的表现，鲁棒性差。

深度学习的人脸检测方法

1. Cascade CNN

Cascade CNN是传统技术和深度网络相结合的一个代表，他也用到了VJ算法中的级联结构。其包含了多个分类器，这些分类器采用级联结构进行组织，不同的地方在于Cascade CNN采用卷积网络作为每一级的分类器。（VGA图片，14fps on single CPU，100fps on GPU，FDDB上达到85.1%的召回率和87%的准确率）

Cascade CNN的方法是一个3阶级联，是由3对net和calibration-net的组合构成。他的过程是首先构建多尺度的人脸图像金字塔，12-net使用1212的检测窗口，步长为4密集扫描整幅图像，剔除掉非人脸的检测窗口，将分类得到的人脸检测窗口送入12-calibration-net中调整检测窗口的尺寸和位置。然后通过非极大值抑制的方法合并高度重叠的检测窗口，然后保留下来的候选检测窗口被归一化到24x24的检测窗口作为24-net的输入，24-net进一步剔除非人脸的检测窗口，24-calibration-net矫正检测窗口，在利用非极大值抑制进行窗口合并4848的检测窗口作为48-net的输入，然后48-net过滤检测窗口，然后这一步再利用了非极大值抑制NMS进行窗口合并，送入到48-calibration-net作为最后的输出。示意图如下图所示：