2.2 人脸检测

2.2 人脸检测

本节摘要：人脸检测回答最朴素的问题——"这幅画面上，有没有人的脸，脸在哪（一个框），大概多大、多偏"。它是整条流水线的"门岗"，找漏、找多、找偏都直接决定后面所有环节能不能开工。本节从 Viola-Jones 的级联框架讲到 MTCNN 的级联网络，说清它们怎么在"快"和"准"之间取舍。

学习目标

阅读完本节，你应当能够：

1. 说清检测和定位的区别，理解检测输出是一个带置信度的框。
2. 复述 Viola-Jones 用 Haar 特征加级联分类器实现快速找脸的原理。
3. 说清 MTCNN 三段级联如何把"先粗筛、再精修、最后给关键点"串起来。
4. 比较传统检测与深度检测在速度、精度、鲁棒性上的取向。

一、问题与直觉

拿一张全家福问你"第几排第几个是外婆"，你一眼就定位了——人眼天生强在这。可对机器，这一张图从上到下是一串亮度数字，没有人脸的知识。检测要做的，就是在漫无目标的像素里扫出"这里像脸的置信度够高"的若干块区域。为什么它是硬盘的第一步？因为后续的对齐、特征提取全都假设你手里有一个大致框住脸的边框——如果这个框偏了、漏了，后面提取到的就是半个额头或一条领带，识别自然全线崩坏。

二、核心原理：一条滑窗、一个尺度金字塔

Viola-Jones 的思路：人力设计特征，加法加速

这是 2001 年的经典，靠三件事把检测跑上消费级硬件：Haar 特征（相邻矩形区域的像素和差，描述眼睛比脸颊暗、鼻梁比眼窝亮这类局部对比）、积分图（把任一矩形和计算降成常数时间），以及 AdaBoost ＋ 级联分类器（先用极便宜的粗筛把绝大多数"明显不是脸"的窗口秒拒，越靠后的级越苛刻，只留幸存者做细判）。它的问题是：特征由人设计，角度一偏、光照一变就失灵，现代复杂场景里基本被替换。

MTCNN 的思路：两件事一起干

2016 年的 MTCNN（多任务级联卷积网络）把检测玩出了新花头。它把网络分成三段：P-Net 用浅网络在大图上快速粗筛出大量"疑似框"，R-Net 对粗筛结果精修、滤掉多数假阳性，O-Net 再精修一次，同时输出人脸关键点（双眼、鼻尖、嘴角）。三段一层层收紧，既有"先快筛后精修"的效率，又因为能端出关键点，把"检测"和"对齐"的接口都做好了。

这种"由粗到细再出关键点"的级联设计，后来成为 RetinaFace 等现代检测器的雏形。检测也被做进更加统一的框架：SSD、YOLO 这类单阶段检测器直接回归出类别和位置，把"扫窗口"替换成"一次前向全出框"，速度起飞但需要更精致的训练来稳住小目标。

下面演示一个检测器使用方式的最小示意（概念性，接口演示）：

# 检测的"门岗语义"：给一帧图，吐若干带分的人脸框
faces = detector(img)                     # 返回框列表
for face in faces:
    x, y, w, h, score = face[:, :4], face[4]
    if score > 0.8:                       # 置信度门槛
        crop = img[y:y+h, x:x+w]          # 供下一步对齐使用
​

图：三种检测路线怎么看一家

下面这张对照图把"传统级联、MTCNN 级联网络、单阶段 CNN"三种路线摊在一起比，横轴是计算成本、纵轴是一张粗粗的复杂度。它说明检测不是一成不变，而是沿着"更准、更快、更稳"的方向不断换代。

图：三种检测路线对照

这张图的圆由左下向右上依次变高、移右：Viola-Jones 轻快但鲁棒弱，MTCNN 在精度与算力间取均衡，RetinaFace 类单阶段检测器把当前精度天花板再抬一格、代价是更重。选型时你只需要在"算力预算"和"场景难度"之间，挑那个圆落在合适位置的方案。

补充：为什么现代检测几乎都会顺手给出关键点

你可能注意到，从 MTCNN 起，检测器输出的不只是四个角的框，还会带上左右眼、鼻尖、嘴角这些点。这不是顺手，而是"顺便"：检测与对齐本来就是相邻的地皮，让同一个网络同时出框又出点，端到端地省一次前向、也让框和点天然对齐。这条"检测即对接口"的设计，也是为什么对齐那一节（2.3）能直接拿检测的输出当起点。

三代检测路线在速度、鲁棒性、是否带回关键点上差距明显，用一个表对齐最直观：

三、工程实践要点

• 检测器的"快"常靠牺牲多尺度稳定性，视频流做逐帧检测可比逐帧跑特征便宜得多——同一帧里框一旦稳定，可做轻量跟踪降低重复检测成本。
• 小脸、侧脸、密集人群是检测重灾区，验收请用带这些难例的集测，别只看风景照上的表现。
• 现代系统普遍选基于 CNN 的检测器（其变体很多），传统 Viola-Jones 仅在与算力、可解释性硬绑定的老场景里还有剩用。

💡 关键直觉：检测先"快"，判身份后"准"。把全图的难活压给检测，好让后面更贵的特征提取只处理少数已锁定区域。

⚠️ 常见坑：检测做得好不等于识别好。检测只负责把人揪出来，它的误报只是给后端添乱，识别准确率还要看特征和人两个环节。

本节要点回顾

• 职责：回答"有没有脸、框在哪"，输出带置信度的边框。
• Viola-Jones：Haar 特征加积分图加级联，把快速找脸带上消费硬件。
• MTCNN：P-R-O 三段级联，由粗到细并顺带出具关键点。
• 现代取向：CNN 检测器与统一单阶段框架更鲁棒、更快更准。
• 节奏：检测为后段"筛人"，快且稳优先。

框已经把你认的那个人圈出来了。下一节干的是把歪在这框里的脸"摆正"——对齐。