本文开始

回顾一下过去四天提到的，使用OpenCV & Dlib做人脸侦测的方法：

• OpenCV Haar cascades：哈尔特徵检测法
• OpenCV deep neural networks (DNNs)：OpenCV神经网路检测法
• Dlib HOG + Linear SVM：Dlib特徵检测法
• Dlib max-margin object detector (MMOD)：Dlib神经网路检测法

几种情况下的选择：

1. 不在乎准确度，但需要在树莓派或是其他微型电脑上运行 -- 使用哈尔特徵检测
2. 特别在意准确度，硬体资源足够强大 -- 使用Dlib神经网路检测法
3. 有选择障碍不知道要用哪个比较好 -- 先从OpenCV神经网路检测法开始就对了
4. 要做手机应用App -- 以上四种方法都不要选；否则你碰到的不是Python语言很难做手机应用相关文件很少、或是你就要栽进C++编译的问题中
   • 请考虑整合目前主流的人脸侦测API，参考Day3提到的三大平台

你说为什麽没有提到Dlib特徵检测法？

因为在後面文章里，我们要实际开发人脸互动应用中，我们才会使用它，通常在只做人脸侦测功能时不太会需要用到这个方法。

关於这四种人脸侦测方法，或是所有其他你知道的人脸侦测功能，最後的结果都一定会有前面文章提到的边界框 (Bounding Box)。

由於边界框通常都是矩形框，而矩形没有办法用一致的范围标示出人脸的位置。

什麽意思？请看下面的范例图片：

因为不同方法在侦测人脸的算法也不同，导致判断人脸范围虽然都包含脸部，可是框住的人脸(x, y, w, h)都是不同的。

• 如果今天要做的只是人脸侦测或是人脸辨识，那你可以很安心的使用你喜欢的方法。
• 如果今天要做的是人脸关键点检测，如果关键点检测的模型与人脸侦测的模型不同，你会看到很奇妙的辨识结果出现。

(有兴趣的人可以用这段程序码来跑看看你的脸会不会有同样结果；或是可以跟Google, AWS等平台的辨识结果比较看看有什麽不同)

关於人脸侦测 (Face Detection)到这边差不多都说完了，这些经验希望能够帮助你未来有从事类似领域的专案时，可以有一点点的帮助。

下一篇将从人脸识别 (Facial Recognition)开始，明天见！