OpenCV vs Dlib 人脸检测比较分析

点击我爱计算机视觉标星，更快获取CVML新技术

人脸检测是计算机视觉最典型的应用之一，早期OpenCV的logo就是Haar人脸检测的示意图。

很多人的第一个OpenCV学习目标就是跑通Haar级联人脸检测，Dlib库在业内开始流行很大程度上是因为其HOG-SVM人脸检测比OpenCV Haar的好，而近年来OpenCV和Dlib均已包含基于深度学习的人脸检测算法实现。

Haar-Cascade,HOG-SVM,深度学习正是代表着人脸检测乃至目标检测的三个时代。

昨天Learn OpenCV网站博主Vikas Gupta博士发表文章，对OpenCV与Dlib中四种人脸检测算法实现进行了比较分析，包含C++/Python的代码示例，且对精度和速度都进行了量化。

先来看看作者发布的视频：

1. OpenCV Haar Cascade人脸检测

算法无需赘言。

代码示例：

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。

2. OpenCV DNN 人脸检测

从OpenCV3.3版本后开始引入，算法出自论文《SSD: Single Shot MultiBox Detector》（https://arxiv.org/abs/1512.02325）。使用ResNet-10作为骨干网。

OpenCV提供了两个模型：

1）原始Caffe实现的16位浮点型版本（5.4MB）;

2）TensorFlow实现的8位量化版本（2.7MB）。

Vikas Gupta的代码包含了这两种模型。

模型加载代码示例：