Haar Cascades与人脸检测中的LBP级联

Question

我一直在OpenCV（开源计算机视觉库）中进行面部检测实验，发现人们可以使用Haar级联来检测面部，因为其中有几个提供了OpenCV。但是，我注意到还有几个LBP级联。经过一些研究，我发现LBP代表局部二进制模式，根据OpenCV Face Detection Documentation，它也可以用于人脸检测。

我想知道的是哪个更好？哪一个表现得更快，哪一个更准确？似乎LBP表现得更快，但我也不是100％肯定。感谢。

Answer 1

LBP更快（速度提高几倍）但准确度更低。 （比哈尔少10-20％）。

如果你想在嵌入式系统上检测面部，我认为LBP是选择，因为它以整数进行所有计算。哈尔使用浮动，这是嵌入式/移动的杀手。

Answer 2

LBP级联可以训练以与Haar级联相似（或更好）执行，但是开箱即用，Haar级联速度大约慢3倍，并且根据您的数据，准确检测的效率提高约1-2％一张脸的位置。鉴于人脸检测可以在95％+精度范围内运行，这种准确度的提高非常显着。

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少有50％的重叠时，会注意到正确的检测。

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

Answer 3

我个人认为，您应该查看LBP所有与检测相关的任务，因为LBP培训可能需要几分钟，而HAAR培训可能需要数天才能获得相同的培训数据集和参数。

您提出的问题将具有不同的性能，具体取决于被检测物的类型，训练设置和检测期间使用的参数以及测试级联的标准。

HAAR和LBP级联的准确性取决于用于训练它们的数据集（阳性和阴性样本）以及训练期间使用的参数。

根据Lienhart et al, 2002，在面部检测的情况下：

• 您的-numStages，-maxDepth和-maxWeakCount参数应足够高，以达到所需的-minHitRate和-maxFalseAlarmRate。
• 基于树的培训比基于树桩的培训更准确，
• 温和的adaboost优于离散和真正的adaboost，
• 训练样本的最小尺寸很重要，但尚未对其进行系统研究。

此外，detectMultiScale（）中使用的标志会在给定硬件配置上产生速度和精度的急剧变化。

要测试级联，您应确定数据集以及k-fold cross validation等方法。

Answer 4

可能会对你有用：

有Simd Library，其中有implementation个HAAR和LBP级联分类器。它可以使用OpenCV的标准HAAR和LBP casscades。该实现具有使用SSE4.1，AVX2，AVX-512和NEON（ARM）的SIMD优化，因此其工作速度比原始OpenCV快2-3倍。

Answer 5

此外，在训练阶段，LBP比哈尔快。使用哈尔类型的2000个样本和300个样本进行训练，完成需要大约5-6天，但是使用LBP只需要几个小时。