本次介紹一篇來自小公尺黑科技的人臉檢測文章：
看完後續演算法講解之後，請自行體會人臉檢測專業研究人員看到下圖的感受。
文章很短，沒有創新。
（1）樣本均衡問題：
人臉檢測基本都會和二分類器有關，即分類乙個視窗是或者不是人臉。易知，正樣本(人臉)通常都要比負樣本(非人臉)多很多很多，這種樣本分佈的嚴重不平衡會影響模型收斂。通常採取的處理策略是：在乙個batch中，通過某種取樣手段(random、hard mining)將正負樣本的比例固定(如1:3)。小公尺同樣採用了這種均衡策略。
（2）負例挖掘問題：
負例挖掘的本質在於大部分的視窗都很容易判斷是否為人臉，這也是為什麼在人臉檢測領域「級聯」這一思想大行其道。小公尺也使用了很普通的挖掘方法：先訓練乙個普通的faster-r-cnn，然後把整個訓練集跑一遍，選中分錯的。下次finetune的時候，將選中的hard-negative加入訓練，同時保證正負例1:3。
刷榜作品，沒有創新。
刷榜時使用的是vgg和resnet-50這種規模比較大的網路，速度堪憂。
ps. 人臉檢測大家的水平其實差的不會太多，速度才是真正影響商業化的難點。
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...
OpenCV人臉檢測 眼睛檢測之在人臉以外找眼睛
今天在學習opencv人臉檢測時，發現眼睛檢測是在人臉以外尋找眼睛的，源 如下 import cv2 def detect face cascade cv2.cascadeclassifier cascades haarcascade frontalface default.xml eye casc...
人臉檢測2
下面的 是講具體如何訓練 當時我想研究車牌識別的，用此方法對車牌進行訓練沒有成功，呵呵。下面是成功的例子，注意是 opencv中的traincascade.exe不是 另外那個 opencv traincascade.exe data data vec a.vec bg e lch train im...