上次五一假期更新后，在这个中秋假期，我们的人脸检测算法又更新了！假期更新成了这个库的传统

这次更新版本计算量不变，准确率提升2%。

项目代码链接：

https://github.com/ShiqiYu/libfacedetection

首先说说这个算法十几年的演进历史：

  • 2008年，我刚参加工作不久，有家企业请我帮忙训练一个更好的人脸检测算法，我用Haar+AdaBoost训练了一下，准确率比OpenCV里开源方案有明显提升。
  • 随后我自己写爬虫在网上爬了几万张照片，手动标注了所有人脸，效果更好了，项目顺利交付。
  • 随后十年，研究人脸检测成了我的业余编程娱乐（我主业是步态识别）。我重写了Haar+AdaBoost提升训练效率，然后研究各种特征，把所有常见特征描述子（HOG、BRIEF、LBP、...）手写实现，把各种Boosting算法的变种手写实现，统统试了一遍。人脸检测每年提升一点点，最后做到了还算可以的效果。
  • 因为算法体积小、速度快、准确率高，一些公司在产品中采用了我设计的人脸检测算法。这些企业里有比较大的，例如某某企业的市场占有率第一的某款视频监控芯片、某某企业第一款人脸识别手机等。
  • 我苦苦思索和钻研人脸检测近十年，深度学习一拳打来，一下子刷新了我的认知。较早时候，我用Caffe训练了人脸检测，后来改用PyTorch，一点点提升着准确率，并把算法开源，以帮助更多的人。我用C++重写了深度学习算法的实现，只有1000行代码左右，也不需要依赖任何其他库，具有极佳的可移植性。
  • 做了十年人脸检测，我和我团队有一些想法和观点，便写了一篇论文Feng et. al, Detect Faces Efficiently: A Survey and Evaluations，这篇论文最近被IEEE Trans. on Biometrics, Behavior, and Identity Science接收，最近会上线。 
  • 这个人脸检测模型，跟北邮邓伟洪教授的人脸识别模型，一起作为人脸方案，被即将发布的OpenCV 5.0采纳，敬请期待。
  • 最近一年，我将更多精力放在步态识别科研、教学和服务。我的研究生参与进来，把人脸检测这事当作一项工作，而不是我节假日的业余工作。这样这个开源库可以持续高质量地维护下去，让更多人受益。

我们的开源人脸检测项目，在GitHub上已经获得10K星。欢迎大家三连（使用、反馈和建议）

项目代码链接：

https://github.com/ShiqiYu/libfacedetection

centos 人脸比对源码 人脸比对算法 开源_算法

开源人脸检测库libfacedetection，有如下特点：

  • 深度模型仅有85K个参数。
  • 采用AVX512/AVX2/NEON指令提速。
  • 代码简短和简洁，只有一千多行代码。
  • 代码不依赖任何其他第三方库，只要平台能编译C++则可使用。
  • 项目License采用3-Clause BSD License，可以商业应用。

上一次更新的变化（本次更新只是模型参数数值不同）：

  • 参数数量由2340K降到85K，参数量仅为上一版本的1/30。
  • 弃用int8，采用float，节约数据类型转换时间，且代码更为简洁。
  • 速度略有提升（提升速度好难，花了四五个月）。
  • 训练程序采用我们新设计的EIoU损失函数，提升了准确率（论文：Hanyang Peng and Shiqi Yu, A Systematic IoU-Related Method: Beyond Simplified Regression for Better Localization, IEEE Transactions on Image Processing,  vol. 30, pp. 5032-5044, 2021.)

准确率参数如下：

本次更新在Wider Face上的准确率变化

AP_easy:   0.834->0.856
AP_medium: 0.824->0.842
AP_hard:   0.708->0.727

主要贡献人：

  • 这一版主要贡献人：吴伟同学 

参考文献：

  • Yuantao Feng, Shiqi Yu, Hanyang Peng, Yan-ran Li and Jianguo Zhang, Detect Faces Efficiently: A Survey and Evaluations, IEEE Transactions on Biometrics, Behavior, and Identity Science,（论文近日将上线）
  • Hanyang Peng and Shiqi Yu, A Systematic IoU-Related Method: Beyond Simplified Regression for Better Localization, IEEE Transactions on Image Processing, vol. 30, pp. 5032-5044, 2021.