哈尔瀑布与人脸检测中的LBP叶栅

我一直在OpenCV（开源计算机视觉库）中进行人脸检测的实验，发现可以使用Haar级联来检测人脸，因为OpenCV提供了几个人脸。 不过，我注意到也有几个LBP级联。 经过一番研究，我发现LBP代表Local Binary Patterns，根据OpenCV人脸检测文档 ，它也可以用于人脸检测 。

我想知道的是，哪个更好？ 哪一个更快，哪个更准确？ 看来LBPperformance的更快，但我也不是100％肯定的。 谢谢。

LBP速度更快（速度提高了几倍），但不够准确。 （比Haarless10-20％）。

如果你想在embedded式系统上检测人脸，我认为LBP是一种select，因为它以整数进行所有的计算。 哈尔使用浮动，这是一个embedded式/移动杀手。

可以训练LBP级联与Haar级联相似（或更好），但开箱即可，Haar级联速度慢大约3倍，根据您的数据，精确检测位置一张脸。 鉴于人脸检测可以在95％以上的准确度范围内运行，精度的提高是相当重要的。

以下是使用MUCT数据集时的一些结果。

当地面实况和OpenCV检测到的坐标之间至less有50％的重叠时，注意到正确的检测。 

Cascade:haarcascade_frontalface_alt2.xml Datafile:muct.csv |---------------------------------------------------| | Hits | Misses | False Detects | Multi-hit | | 3635 | 55 | 63 | 5 | |---------------------------------------------------| Time:4m2.060s

VS： 

 Cascade:lbpcascade_frontalface.xml Datafile:muct.csv |---------------------------------------------------| | Hits | Misses | False Detects | Multi-hit | | 3569 | 106 | 77 | 3 | |---------------------------------------------------| Time:1m12.511s

我个人的意见是，你应该考虑LBP的所有检测相关的任务，只是因为LBP训练可能需要几分钟，而HAAR训练可能需要几天时间才能获得相同的训练数据集和参数。

根据检测到的事物的types，检测过程中使用的训练设置和参数以及testing级联的标准，您询问的问题将具有不同的性能。

HAAR和LBP级联的准确性取决于用于训练的数据集（正面和负面样本）以及训练期间使用的参数。

根据Lienhart等人，2002年 ，在人脸检测的情况下：

  • 您的-numStages ， -maxDepth和-maxWeakCount参数应该足够高以实现所需的-minHitRate和-maxFalseAlarmRate 。
  • 基于树的训练比基于树桩更准确，
  • 柔和的adaboost优于离散和真实的adaboost，
  • 培训样本的最小规模问题，但有关系统的研究尚未完成。

另外，detectMultiScale（）中使用的标志会在给定的硬件configuration上产生速度的剧烈变化以及精确度。

为了testing级联，你应该解决一个数据集和一个方法，如k-fold 交叉validation 。

可能会对你有用：

有一个Simd库 ，它具有HAAR和LBP级联分类器的实现。 它可以使用OpenCV的标准HAAR和LBP casscades。 这个实现通过使用SSE4.1，AVX2，AVX-512和NEON（ARM）进行了SIMD优化，所以它的工作速度比原来的OpenCV实现快2-3倍。

而且，在训练阶段，LBP比Haar快。 用2000个样本和300个样本，使用Haar型进行训练，大约需要5-6天才能完成，但是使用LBP只需要几个小时。

Interesting Posts