传统的基于滑动窗口的VJ 等人脸检测算法使用级联AdaBoost 策略进行人脸区域筛选和人脸检测。由于这类模型的参数量和特征较少且计算简单，因此可以达到实时检测的要求；但是传统模型使用的人工设计特征存在稳定性差、特征少等缺陷，使得传统算法无法做到人脸的多样性检测，难以检测到模糊、遮挡的人脸，因此，传统算法的检测精度不理想。R-CNN 系列算法是基于卷积神经网络的两阶段通用目标检测算法，这类算法使用可自主学习的CNN 进行图像特征提取。由于卷积神经网络具有良好的尺度不变性、平移不变性和非线性表达能力，且可以通过数据学习人脸的多样性特征，因此，该系列算法具有较好的人脸检测精度；但是R-CNN 系列算法的固有检测机制缺陷、卷积神经网络庞大的参数量和计算量，使得R-CNN 系列算法的检测速度很慢，即使最快速的Faster R-CNN 也无法达到实时检测的要求。
而本章所使用的SSD 算法是基于深度学习的一阶段目标检测算法，该算法使用一个深度卷积神经网络同时完成候选框提取、目标检测和边界框回归等任务。SSD 算法将目标Bounding Box 回归的输出空间离散化为只包含宽和高的先验框，同时在网络的每个检测层分别设置多种宽高比和尺寸的先验框，且每个位置对应多种尺度的先验框。在模型推理阶段，网络对每个先验框生成包含人脸的置信度，并且对先验框的位置进行修正以适应图像中的人脸尺寸。另外，SSD 算法使用网络中不同分辨率的多个特征图进行检测，以处理各种尺寸的人脸对象。更重要的是，SSD 算法将所有步骤都封装在一个网络中完成，且不再需要后续的特征重采样，极大地提高了人脸检测的速度。(https://www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
