1.Easily Create High Quality Object Detectors with Deep Learning
2016/10/11
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：
人脸数据集：FDDB、ImageNet、AFLW、Pascal VOC、VGG、WIDER 、Ibug（https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/）、facescrub（~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。
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：
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