我目前正在使用EmguCV（OpenCV C＃wrapper）成功地实时检测面部（网络摄像头）。我得到7 FPS。
现在我正在寻求提高性能（并节省CPU周期），我正在寻找选择，这是我的想法：
检测面部，拾取面部特征并尝试在下一帧中找到这些特征（使用SURF算法），这样就变成了“面部检测+跟踪”。如果未找到，请再次使用面部检测。
检测面部，在下一帧中，尝试检测面部先前所在的ROI中的面部（即，在图像的较小部分中查找面部）。如果找不到脸部，请尝试再次在整个图像中查找。
侧面想法：如果没有检测到2-3帧的脸部，并且图像中没有移动，则在检测到移动之前不要再尝试检测脸部。
你对我有什么建议吗？
感谢。
答案 0 :(得分：2)
对于SURF算法，您可以尝试，但我不确定它是否在脸上提供相关功能，可能在眼睛周围，或者如果您是近距离并且有皮肤不规则，或者可能在头发上如果分辨率足够。而且，SURF并不是真的很快，如果你想节省CPU时间，我会避免做更多的计算。
roi是一个好主意，你可以通过做一个camshift算法来选择它，它不会节省很多CPU，但你可以试试，因为camshift是一个非常轻量级的算法。我不确定它是否真的相关，但你在第二篇文章中得到了一个好主意：最小化搜索区域......
侧面想法对我来说似乎很好，你可以尝试检测运动（例如全局运动），如果没有那么多，那么不要再试图再次检测你已经检测到的......你可以尝试使用动作模板，因为您知道来自平移或面部检测的silouhette ... 一个非常简单，轻巧但不健壮的模板与框架n-1和框架n匹配可以给你一个系数来测量这两个框架之间的一种相似性，你可以说，低于某个阈值，你激活面部检测。 ... 为什么不 ？如果C＃包装器具有matchTemplate（）等效函数，则需要5分钟才能实现...
如果我有更好的（更深层次的）想法，我会回到这里，但就目前而言，我刚从工作中回来，很难想得更多......
于连
答案 1 :(得分：2)
您介绍的所有解决方案似乎都很聪明，也很合理。但是，如果您使用Haar进行面部检测，您可能会尝试创建一个阶段较少的级联。虽然建议将20个阶段用于人脸检测，但10-15个可能就足够了。这将显着提高性能。有关创建自己级联的信息，请访问Tutorial: OpenCV haartraining (Rapid Object Detection With A Cascade of Boosted Classifiers Based on Haar-like Features)。
同样，使用SURF是一个好主意。您也可以尝试P-N learning: Bootstrapping binary classifiers by structural constraints。 YouTube上有一些有趣的视频展示了这种方法，试着找到它们。
答案 2 :(得分：0)
这不是一个完美的答案，只是一个建议。
在我在CS的B.Tech的最后一个学期的数字图像处理课程中，我学习了位置切片，以及只有MSB平面信息的图像如何提供近70％的有用图像信息。因此，您将使用几乎原始图像，但只有原始图像的八分之一。
所以虽然我没有在我自己的项目中实现它，但我想知道它，以加快面部检测。因为以后，眼睛检测，瞳孔和眼角检测也会占用大量的计算时间，使整个程序变慢。