训练时间最短的人脸检测算法[关闭]

想问是否有任何适合视频的人脸检测方案需要最少的训练时间，理想情况下是几天而不是像 Viola-Jones 那样的几周。我读过有关 LBP 的内容，但它也需要大量的训练样本，但不确定需要多长时间。在训练集数量相似的情况下，训练 LBP 是否会消耗与 Viola-Jones 方法一样多的时间？我将在 Linux 操作系统上运行的微处理器（例如树莓派）上实现此功能。希望在 C 上实现它以提高速度，因为我希望它能够检测 10fps - 20fps 视频流中的图像。

OpenCV 附带了一个名为列车级联训练 LBP、Haar 和 HOG。特别是对于人脸检测，他们甚至以 24x24 像素人脸所需的格式提供 3000 个图像数据集列车级联.

根据我的经验，这三种类型中列车级联支持，LBP 的训练时间最少，对于 Haar 来说只需要几小时而不是几天。

对其训练过程的快速概述是，对于给定的阶段数（合适的选择是 20），它尝试找到拒绝尽可能多的非面部而不拒绝面部的特征。拒绝非面孔和保留面孔之间的平衡由最低命中率（OpenCV 选择了 99.5%）并且误报率（OpenCV 选择了 50%）。用于构建 OpenCV 自己的 LBP 级联的特定元算法是 Gentle AdaBoost (GAB)。

OpenCV 中实现的 LBP 变体描述如下：

廖胜才、朱祥鑫、雷震、张伦、李斯坦。学习用于人脸识别的多尺度块局部二进制模式。国际生物识别会议 (ICB)，2007 年，第 828-837 页。

在 OpenCV 中使用默认参数实际相当于：

OpenCV LBP 级联运行时概述

检测器检查图像中的 24x24 窗口，寻找面部。从级联分类器的第 1 阶段到第 20 阶段，如果它可以显示当前 24x24 窗口可能不是人脸，它会拒绝它并在窗口上移动一个或两个像素到下一个位置；否则进入下一阶段。

在每个阶段，检查 3-10 个左右的 LBP 特征。每个 LBP 特征在窗口内都有一个偏移量和一个大小，并且它覆盖的区域完全包含在当前窗口内。在给定位置评估 LBP 特征可能会导致通过或失败。根据 LBP 特征是成功还是失败，将该特征特有的正权重或负权重添加到累加器中。

一旦阶段的所有 LBP 特征都被评估，累加器的值就会与阶段阈值进行比较。如果累加器低于阈值，则阶段失败；如果累加器高于阈值，则阶段通过。同样，如果某个阶段失败，则退出级联并且窗口移动到下一个位置。

LBP特征评估比较简单。在该特征在窗口内的偏移处，九个矩形以 3x3 配置布局。对于特定的 LBP 特征，这九个矩形的大小都是相同的，范围从 1x1 到 8x8。

计算九个矩形中所有像素的总和，即它们的积分。然后，将中心矩形的积分与其八个相邻矩形的积分进行比较。这八次比较的结果是八位（1或0），它们被组装在8位LBP中。

此 8 位位向量用作 2^8 == 256 位 LUT 的索引，由训练过程计算并特定于每个 LBP 特征，用于确定 LBP 特征是否通过。

这就是全部内容了。