第2章　人脸检测技术的最新进展

本章主要内容

● Cascade CNN（2015）

● MTCNN（2016）

● Face R-CNN（2017）

● SSH（2017）

● DSFD（2019）

第1章对人脸识别的相关技术进行了整体概述［1-2]。本章将重点讲解人脸检测技术的最新进展（2004—2020年）。下面首先简要介绍基于深度学习的人脸识别、人脸检测技术的整体进展情况。

2012年至今，尤其是2014年以后，得益于深度学习，人脸识别有了突飞猛进的发展，广义的人脸识别技术也快速地从非深度学习方法（传统方法）切换到了深度学习这样一个新的范式里面［3]。在人脸识别资深专家、中科视拓董事长、中国科学院计算机技术研究所研究员山世光先生看来，人脸识别近年的重要变化是：通用的基于深度学习的目标检测和识别技术，几乎完全可以适用于人脸处理（广义的人脸识别）［3]。也就是说，在技术上不用再把人脸识别特别看待了，人脸识别变得和狗脸识别、猫脸识别没什么太大区别了［3]。对人脸检测而言，也变得和通用目标检测没有太大差别了。

根据山世光研究员的结论，在人脸检测方面，目前主流的方法是基于深度学习的以Faster R-CNN 为代表的通用目标检测方法［4]。人脸检测曾被认为是一个已经解决的问题，事实上并非如此，在人脸分辨率极低、姿态多变，以及背光、偏光、极低照度等恶劣光照条件下，现有技术还会有很多漏检［4]。2019年，中科视拓开源了商用级的人脸识别产品SeetaFace 2［5]，该产品包括人脸检测、人脸关键点定位、狭义的人脸识别（人脸特征提取与比对）等模块。其中，人脸检测模块主要实现了经典的、基于深度学习的Cascade CNN 人脸检测算法［6]。由此可见，Cascade CNN 人脸检测算法具有重要的实用价值。

Cascade CNN［6]在一定程度上有别于基于通用的Faster R-CNN 目标检测框架为代表的人脸检测方法。Cascade CNN 将传统的滑动窗口方法与深度学习相结合，取得了不亚于基于R-CNN 系列的人脸检测方法的性能［4]。

本章我们将分别介绍基于通用的深度学习目标检测框架的人脸检测方法，主要包括Cascade CNN（2015）人脸检测算法、MTCNN（2016）人脸检测算法、Face R-CNN（2017）人脸检测算法、SSH（2017）人脸检测算法和DSFD（2019）人脸检测算法。