人脸检测小江湖

点击我爱计算机视觉标星，更快获取CVML新技术

本文转载自Github，原作者为CenterFace开源贡献者ywlife，经作者授权转载。

https://github.com/Star-Clouds/centerface/blob/master/evaluation.md

图片来自CenterFace检测结果

研究进展

• 从mtcnn开始说起，在工业界，估计做脸的都知道mtcnn，因为模型小速度快，带关键点，方便部署，至今仍有使用在大厂的业务中。不过这种级联的网络，速度与人脸个数成反比，所以，对于人脸抓拍这种场景就不好用了。而且这种类型的网络很难再进一步刷新榜单了。

• 后来，学术界就出现了一批优秀的one stage的人脸检测，例如ssh，sfd，dsfd，retinaface等等，这些网络也一次又一次的刷新widerface的榜单。

• 然而，比较好的轻量级的网络却并不是这么多，有faceboxes，libfacedetection，retineface-mnet，LFFD和以及Ultra-Light-Fast-Generic-Face-Detector。

测试方法

为了刷榜，face detection测试也是费劲了研究者的心思。我们来仔细分析一下目前测试方法。

• 多尺度测试：主流的测试方法。几乎所有的文献都采用多尺度的测试方法，因为每个网络训练时输入图像的尺度不一致，因此，从学术界角度，采用多尺度测试是比较公平，公正的。简单说就是，各自拿各自最好的结果来pk。

• 单尺度原图测试：这是lffd提出的测试方法，也是比较严谨的测试方法，而且对工业界更具有参考意义。

• 单尺度缩放测试：faceboxes将图像放大三倍进行测试。放大三倍后，图像中的人脸变大了，就更容易检测了，性能自然会好一些。而Ultra-Light-Fast-Generic-Face-Detector是将图像不等比例的resize到320x240和640x480进行测试，resize后，图像变小了，人脸也会出现形变。

实验对比

几乎所有的实验对比都是严谨的，但也有把其他算法测低了的。有以下几种情况：

• 采用paper的数据进行比较：测试方法虽然混乱（存在着各种tricks和差异性），但都是用paper的数据进行对比。测试方法不能统一，那就用各自最好结果进行对比吧，这也是公平的。

• 单尺度原图进行测试比较：这种方法有些不公平，因为训练和测试的图像分辨率是不一样，例如，sfd的训练图像分辨率是640x640，而测试图像分辨率大都是1280x720，有些不公平。

• 单尺度640x480和320x240进行比较：Ultra-Light-Fast-Generic-Face-Detector的实验比较方法。因为这个网络使用的训练图像是缩放到640x480或320x240的，所以对这个尺度的图像比较鲁棒了，而其他算法却不行；所以，这样比较准确性不够。更好的是采用paper的数据或测试方法。

总结

针对更好的评测人脸检测的问题，本人进行了以下总结，可供参考：

• 多尺度测试：拿出算法在多尺度下最好结果和别的算法最好结果(一般就是paper上的数据啦)进行pk；

• 单尺度测试：拿出算法在单尺度图像下最好结果和别人单尺度最好的结果进行pk，而不是把别人的算法测低了。

  一点思考，写出来与大家交流。

人脸技术交流群

关注人脸检测、识别、对齐相关技术，扫码添加CV君拉你入群，（如已为CV君其他账号好友请直接私信）

（请务必注明：人脸）

喜欢在QQ交流的童鞋，可以加52CV官方QQ群：805388940。

（不会时时在线，如果没能及时通过验证还请见谅）

长按关注我爱计算机视觉