1.Easily Create High Quality Object Detectors with Deep Learning
2016/10/11
http://blog.dlib.net/2016/10/easily-create-high-quality-object.html
dlib中的MMOD实现使用HOG特征提取，然后使用单个线性过滤器。这意味着它无法学习检测出具有复杂姿势变化的物体。HOG：方向梯度直方图（Histogram of oriented gradient）是在计算机视觉和图像处理领域用于目标检测的特征描述器。
人脸检测基准FDDB有两种模式：10倍交叉验证和不受限制。两者都在同一数据集上进行测试，但在10倍交叉验证模式下，您只能对FDDB数据集中的数据进行训练。在无限制模式下，您可以训练您喜欢的任何数据，只要它不包含来自FDDB的图像。FDDB站点：http://vis-www.cs.umass.edu/fddb/index.html
人脸数据集：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。
2.dlib-models
https://github.com/davisking/dlib-models
（1）mmod_human_face_detector
是在这个数据集上训练的：http：//dlib.net/files/data/dlib_face_detection_dataset-2016-09-30.tar.gz。作者通过在许多公开可用的图像数据集（不包括FDDB数据集）中查找人脸图像来创建数据集。特别是，有来自ImageNet，AFLW，Pascal VOC，VGG数据集，WIDER和facescrub的图像。数据集中的所有注释都是由作者使用dlib的imglab工具创建的。mmod_human_face_detector 包含两种模式。不能人脸识别。
（2）shape_predictor_68_face_landmarks.dat.bz2
这是在ibug 300-W数据集上训练的（https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/）。dlib_face_recognition_resnet_model_v1 shape detect联合使用，可以人脸识别。
（3）性能效果
DLIB，HOG+SVM：正脸，CPU百毫秒级
DLIB，CNN：非正脸，秒级，GPU百毫秒级
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/
本文对比了OpenCV和dlib的4中人脸检测方法：OpenCV中的Haar Cascade人脸检测器、基于深度学习的OpenCV人脸检测器、Dlib中的HoG Face Detector、基于深度学习的Dlib人脸检测器。
（1）OpenCV中的Haar Cascade人脸检测器
优点：
1）几乎可以在CPU上实时工作。
2）简单的架构。
3）检测不同比例的脸部。
缺点：
1）这种方法的主要缺点是它提供了大量的假预测。
2）不适用于非正面图像。
3）在遮挡下不起作用。
（2）基于深度学习的OpenCV人脸检测器
它基于Single-Shot-Multibox检测器，并使用ResNet-10架构作为主干。使用来自网络的图像训练该模型，但未公开该来源。 OpenCV为这款人脸探测器提供了2种型号：浮点16版原始caffe实现（5.4 MB）和使用Tensorflow的8位量化版本（2.7 MB）。
优点：
1）四种方法中最准确的
2）在CPU上实时运行。
3）适用于不同的面部方向 - 上，下，左，右，侧面等。
4）甚至在严重遮挡下工作。
5）检测各种尺度的面部（检测大面和小面）。
缺点：基于DNN的探测器克服了基于Haar级联探测器的所有缺点，同时不会损害Haar提供的任何优势。除了它比下面讨论的基于Dlib HoG的面部检测器慢之外，我们看不出这种方法的任何主要缺点。
（3）Dlib中的HoG Face Detector
这是一种广泛使用的人脸检测模型，基于HoG特征和SVM。该模型由5个HOG过滤器构成 - 前视，左视，右视，前视但向左旋转，前视但向右旋转。用于训练的数据集包括2825个图像，这些图像从LFW数据集中获得，并由Dlib的作者Davis King手动注释。它可以从这里下载。http://dlib.net/files/data/dlib_face_detector_training_data.tar.gz
优点：
1）CPU上最快的方法。
2）适用于正面和略微非正面的面部。
3）轻量级模型与其他三个相比，在小的遮挡下工作，基本上，这种方法在大多数情况下都有效，除了下面讨论的少数情况。
缺点：
1）主要缺点是它不能检测小脸，因为它训练的最小面部尺寸为80×80。因此，您需要确保面部大小应该大于应用程序中的面部大小。但是，您可以为较小尺寸的面部训练自己的面部检测器。
2）边界框通常有时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，如俯视或俯视。
（4）Dlib中的CNN面部检测器。
此方法使用具有基于CNN的功能的最大边距对象检测器（MMOD）。此方法的培训过程非常简单，您不需要大量数据来训练自定义对象检测器。它使用由其作者戴维斯·金手动标记的数据集，包括来自各种数据集的图像，如ImageNet，PASCAL VOC，VGG，WIDER，Face Scrub。它包含7220张图片。数据集：http://dlib.net/files/data/dlib_face_detection_dataset-2016-09-30.tar.gz
优点：
1）适用于不同的面部方向。
2）偶然场景下健壮。
3）在GPU上工作得非常快。
4）非常简单的培训过程。
缺点：
1）CPU速度很慢
2）不会检测小脸，因为它训练的最小脸部尺寸为80×80。因此，您需要确保面部大小应该大于应用程序中的面部大小。但是，您可以为较小尺寸的面部训练自己的面部检测器。
3）边界框甚至小于HoG探测器。
基于dlib的方法能够检测大小达（70×70）的人脸，之后它们无法检测到。正如我们之前讨论的那样，我认为这是基于Dlib的方法的主要缺点。因为在大多数情况下不可能事先知道面部的大小。我们可以通过scaling图像来摆脱这个问题，但是与OpenCV-DNN相比，dlib的速度优势消失了。OpenCV方法仍不支持NVIDIA GPU。各场景下的选择建议：
（1）一般情况
在大多数应用程序中，我们不会在前面的图像中知道面部的大小。因此，最好使用OpenCV- DNN方法，因为它非常快速且非常准确，即使对于小尺寸的面部也是如此。它还可以检测各种角度的面部。我们建议大多数人使用OpenCV-DNN。
（2）中到大图像尺寸
Dlib HoG是CPU上最快的方法。但它没有检测到小脸（<70x70）。因此，如果您知道您的应用程序不会处理非常小的面部（例如自拍应用程序），那么基于HoG的面部检测器是更好的选择。此外，如果你可以使用GPU，那么MMOD人脸检测器是最好的选择，因为它在GPU上非常快，并且还提供各种角度的检测。
（3）高分辨率图像
由于这些算法不能提供高分辨率图像（计算速度），因此当缩小图像时，HoG / MMOD检测器可能会失败。另一方面，OpenCV-DNN方法可以用于这些，因为它检测小脸。
（4）非正脸
非正面可以向右，向左，向上，向下看，基于Haar的探测器完全失效。基于HoG的探测器确实检测左侧或右侧面部的面（因为它是在它们上训练的），但不如基于DNN的OpenCV和Dlib探测器那样精确。
（5）遮挡
DNN方法优于其他两种方法，OpenCV-DNN略好于Dlib-MMOD。