通過閱讀文獻總結了一下不同人臉檢測方法的優缺點。
首先人臉檢測方法大致分為三類吧，
1）基於特徵的人臉檢測
整體輪廓法
膚色檢測法
器官分布法
2）模板匹配法的人臉檢測
鑲嵌圖法（又稱馬賽克法）
預定模板匹配法
變形模板法
3）基於adaboost 演算法的人臉檢測
基於膚色的人臉檢測演算法的優點是演算法實現簡單，不需要離線訓練，計算速度快，檢測率高，多多角度傾斜的人臉及表情變化不敏感等特點，缺點是遇見率高，對非人臉膚色區域（手腳、脖子等）及背景中的類膚色區域容易產生誤判。同時單一固定的閾值使得這種演算法魯棒性較差，不適應光照、陰影等外界因素變化的環境，因此這種演算法的侷限性，只能應用在簡單背景下的膚色檢測。
基於gabor+bp神經網路的人臉檢測演算法的優點是該演算法理解起來簡單、學習能力強，計算量小，具有較強的抗雜訊能力，可以通過擴大訓練樣本集提高準確率，很容易訓練得到乙個人臉檢測系統。缺點是存在訓練時間長導致收斂速度慢，學習效率低，沒有理論指導對中間層數及各中間層節點數的選取，學習新樣本的同時不能很好的記住舊樣本的問題。
基於hog+svm的人臉檢測演算法的優點是對兩類目標的分類問題比較有效，缺點是svm的訓練需要大量的儲存空間，並且訓練速度較慢。
基於harr+adaboost 的人臉檢測演算法通過實驗我們可以得到該方法的優點是對不同膚色的人群，有一定旋轉角度的人臉以及光照變化具有較高的魯棒性，檢測率高，誤檢率低。不足之處是每幅影象的訓練特徵維數龐大，訓練時間較長；雖然級聯分類器構造簡單方便，但會以犧牲一定的速度和精度為代價，同時，對類似人臉灰度分布的背景區域容易誤判；對影象俯仰超過30度搖擺和傾斜超過45度的多角度人臉檢測效果不是很好。
關於檢測數字人臉操縱
先進的人臉合成和修改方法導致假臉越來越多，這極大影響了人們的社交使用。因此，人臉影象的檢測和修改區域定位是很重要的。這篇 使用多工學習來同時檢測被修改的影象和 被修改的區域，並利用注意力機制來處理和改進分類任務的特徵圖，提高了分類準確率。人臉識別越來越多地應用於日常生活中，如訪問許可權控制和貨幣支付...
人臉識別和人臉檢測的區別
網上很多帖子 部落格在談人臉識別 人臉檢測，其實很多都弄混了，現在來糾正一下。觀點只代表作者本人 人臉識別是對已知人臉進行分類的過程。就像我們看到其他人一樣能夠分辨出誰是自己的朋友誰不是。人臉識別通常包括以下四個步驟 1 人臉檢測 是在影象中定位人臉區域的過程。也就是關心是不是人臉，至於關心是誰不是...
關於人臉檢測中的Haar特徵提取
關於人臉檢測中的haar特徵提取 影響adaboost人臉檢測訓練演算法速度很重要的兩方面是特徵選取和特徵計算。選取的特徵為矩特徵為haar特徵，計算的方法為積分圖。1 haar特徵 haar特徵分為三類 邊緣特徵 線性特徵 中心特徵和對角線特徵，組合成特徵模板。特徵模板內有白色和黑色兩種矩形，並定...