本文開始

回顧一下過去四天提到的，使用OpenCV & Dlib做人臉偵測的方法：

• OpenCV Haar cascades：哈爾特徵檢測法
• OpenCV deep neural networks (DNNs)：OpenCV神經網路檢測法
• Dlib HOG + Linear SVM：Dlib特徵檢測法
• Dlib max-margin object detector (MMOD)：Dlib神經網路檢測法

幾種情況下的選擇：

1. 不在乎準確度，但需要在樹莓派或是其他微型電腦上運行 -- 使用哈爾特徵檢測
2. 特別在意準確度，硬體資源足夠強大 -- 使用Dlib神經網路檢測法
3. 有選擇障礙不知道要用哪個比較好 -- 先從OpenCV神經網路檢測法開始就對了
4. 要做手機應用App -- 以上四種方法都不要選；否則你碰到的不是Python語言很難做手機應用相關文件很少、或是你就要栽進C++編譯的問題中
   • 請考慮整合目前主流的人臉偵測API，參考Day3提到的三大平台

你說為什麼沒有提到Dlib特徵檢測法？

因為在後面文章裡，我們要實際開發人臉互動應用中，我們才會使用它，通常在只做人臉偵測功能時不太會需要用到這個方法。

關於這四種人臉偵測方法，或是所有其他你知道的人臉偵測功能，最後的結果都一定會有前面文章提到的邊界框 (Bounding Box)。

由於邊界框通常都是矩形框，而矩形沒有辦法用一致的範圍標示出人臉的位置。

什麼意思？請看下面的範例圖片：

因為不同方法在偵測人臉的算法也不同，導致判斷人臉範圍雖然都包含臉部，可是框住的人臉(x, y, w, h)都是不同的。

• 如果今天要做的只是人臉偵測或是人臉辨識，那你可以很安心的使用你喜歡的方法。
• 如果今天要做的是人臉關鍵點檢測，如果關鍵點檢測的模型與人臉偵測的模型不同，你會看到很奇妙的辨識結果出現。

(有興趣的人可以用這段程式碼來跑看看你的臉會不會有同樣結果；或是可以跟Google, AWS等平台的辨識結果比較看看有什麼不同)

關於人臉偵測 (Face Detection)到這邊差不多都說完了，這些經驗希望能夠幫助你未來有從事類似領域的專案時，可以有一點點的幫助。

下一篇將從人臉識別 (Facial Recognition)開始，明天見！