1.Easily Create High Quality Object Detectors with Deep Learninghtml
2016/10/11python
http://blog.dlib.net/2016/10/easily-create-high-quality-object.htmlgit
dlib中的MMOD實現使用HOG特徵提取，而後使用單個線性過濾器。這意味着它沒法學習檢測出具備複雜姿式變化的物體。HOG：方向梯度直方圖（Histogram of oriented gradient）是在計算機視覺和圖像處理領域用於目標檢測的特徵描述器。github
人臉檢測基準FDDB有兩種模式：10倍交叉驗證和不受限制。二者都在同一數據集上進行測試，但在10倍交叉驗證模式下，您只能對FDDB數據集中的數據進行訓練。在無限制模式下，您能夠訓練您喜歡的任何數據，只要它不包含來自FDDB的圖像。FDDB站點：http://vis-www.cs.umass.edu/fddb/index.html算法
人臉數據集：FDDB、ImageNet、AFLW、Pascal VOC、VGG、WIDER 、Ibug（https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/）、facescrub（http://www.robots.ox.ac.uk/~vgg/data/vgg_face/）等。網絡
2.dlib-models架構
https://github.com/davisking/dlib-models工具
（1）mmod_human_face_detector性能
是在這個數據集上訓練的：http：//dlib.net/files/data/dlib_face_detection_dataset-2016-09-30.tar.gz。做者經過在許多公開可用的圖像數據集（不包括FDDB數據集）中查找人臉圖像來建立數據集。特別是，有來自ImageNet，AFLW，Pascal VOC，VGG數據集，WIDER和facescrub的圖像。數據集中的全部註釋都是由做者使用dlib的imglab工具建立的。mmod_human_face_detector 包含兩種模式。不能人臉識別。學習
（2）shape_predictor_68_face_landmarks.dat.bz2
這是在ibug 300-W數據集上訓練的（https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/）。dlib_face_recognition_resnet_model_v1 shape detect聯合使用，能夠人臉識別。
（3）性能效果
DLIB，HOG+SVM：正臉，CPU百毫秒級
DLIB，CNN：非正臉，秒級，GPU百毫秒級
3.Face Detection – OpenCV, Dlib and Deep Learning ( C++ / Python )
2018/10/22
https://www.learnopencv.com/face-detection-opencv-dlib-and-deep-learning-c-python/
本文對比了OpenCV和dlib的4中人臉檢測方法：OpenCV中的Haar Cascade人臉檢測器、基於深度學習的OpenCV人臉檢測器、Dlib中的HoG Face Detector、基於深度學習的Dlib人臉檢測器。
（1）OpenCV中的Haar Cascade人臉檢測器
優勢：
1）幾乎能夠在CPU上實時工做。
2）簡單的架構。
3）檢測不一樣比例的臉部。
缺點：
1）這種方法的主要缺點是它提供了大量的假預測。
2）不適用於非正面圖像。
3）在遮擋下不起做用。
（2）基於深度學習的OpenCV人臉檢測器
它基於Single-Shot-Multibox檢測器，並使用ResNet-10架構做爲主幹。使用來自網絡的圖像訓練該模型，但未公開該來源。 OpenCV爲這款人臉探測器提供了2種型號：浮點16版原始caffe實現（5.4 MB）和使用Tensorflow的8位量化版本（2.7 MB）。
優勢：
1）四種方法中最準確的
2）在CPU上實時運行。
3）適用於不一樣的面部方向 - 上，下，左，右，側面等。
4）甚至在嚴重遮擋下工做。
5）檢測各類尺度的面部（檢測大面和小面）。
缺點：基於DNN的探測器克服了基於Haar級聯探測器的全部缺點，同時不會損害Haar提供的任何優點。除了它比下面討論的基於Dlib HoG的面部檢測器慢以外，咱們看不出這種方法的任何主要缺點。
（3）Dlib中的HoG Face Detector
這是一種普遍使用的人臉檢測模型，基於HoG特徵和SVM。該模型由5個HOG過濾器構成 - 前視，左視，右視，前視但向左旋轉，前視但向右旋轉。用於訓練的數據集包括2825個圖像，這些圖像從LFW數據集中得到，並由Dlib的做者Davis King手動註釋。它能夠從這裏下載。http://dlib.net/files/data/dlib_face_detector_training_data.tar.gz
優勢：
1）CPU上最快的方法。
2）適用於正面和略微非正面的面部。
3）輕量級模型與其餘三個相比，在小的遮擋下工做，基本上，這種方法在大多數狀況下都有效，除了下面討論的少數狀況。
缺點：
1）主要缺點是它不能檢測小臉，由於它訓練的最小面部尺寸爲80×80。所以，您須要確保面部大小應該大於應用程序中的面部大小。可是，您能夠爲較小尺寸的面部訓練本身的面部檢測器。
2）邊界框一般有時排除前額的一部分甚至下巴的一部分。
3）在嚴重遮擋下不能很好地工做。
4）不適用於側面和極端非正面，如俯視或俯視。
（4）Dlib中的CNN面部檢測器。
此方法使用具備基於CNN的功能的最大邊距對象檢測器（MMOD）。此方法的培訓過程很是簡單，您不須要大量數據來訓練自定義對象檢測器。它使用由其做者戴維斯·金手動標記的數據集，包括來自各類數據集的圖像，如ImageNet，PASCAL VOC，VGG，WIDER，Face Scrub。它包含7220張圖片。數據集：http://dlib.net/files/data/dlib_face_detection_dataset-2016-09-30.tar.gz
優勢：
1）適用於不一樣的面部方向。
2）偶然場景下健壯。
3）在GPU上工做得很是快。
4）很是簡單的培訓過程。
缺點：
1）CPU速度很慢
2）不會檢測小臉，由於它訓練的最小臉部尺寸爲80×80。所以，您須要確保面部大小應該大於應用程序中的面部大小。可是，您能夠爲較小尺寸的面部訓練本身的面部檢測器。
3）邊界框甚至小於HoG探測器。
基於dlib的方法可以檢測大小達（70×70）的人臉，以後它們沒法檢測到。正如咱們以前討論的那樣，我認爲這是基於Dlib的方法的主要缺點。由於在大多數狀況下不可能事先知道面部的大小。咱們能夠經過scaling圖像來擺脫這個問題，可是與OpenCV-DNN相比，dlib的速度優點消失了。OpenCV方法仍不支持NVIDIA GPU。各場景下的選擇建議：
（1）通常狀況
在大多數應用程序中，咱們不會在前面的圖像中知道面部的大小。所以，最好使用OpenCV- DNN方法，由於它很是快速且很是準確，即便對於小尺寸的面部也是如此。它還能夠檢測各類角度的面部。咱們建議大多數人使用OpenCV-DNN。
（2）中到大圖像尺寸
Dlib HoG是CPU上最快的方法。但它沒有檢測到小臉（<70x70）。所以，若是您知道您的應用程序不會處理很是小的面部（例如自拍應用程序），那麼基於HoG的面部檢測器是更好的選擇。此外，若是你可使用GPU，那麼MMOD人臉檢測器是最好的選擇，由於它在GPU上很是快，而且還提供各類角度的檢測。
（3）高分辨率圖像
因爲這些算法不能提供高分辨率圖像（計算速度），所以當縮小圖像時，HoG / MMOD檢測器可能會失敗。另外一方面，OpenCV-DNN方法能夠用於這些，由於它檢測小臉。
（4）非正臉
非正面能夠向右，向左，向上，向下看，基於Haar的探測器徹底失效。基於HoG的探測器確實檢測左側或右側面部的面（由於它是在它們上訓練的），但不如基於DNN的OpenCV和Dlib探測器那樣精確。
（5）遮擋
DNN方法優於其餘兩種方法，OpenCV-DNN略好於Dlib-MMOD。