背景
前段时间的人脸68关键点检测项目，需要移植到手机端，而且需要达到实时性，所以对算法进行了改进。大致的解决方案是，由于人脸检测耗时较大，所以搭配追踪、模板匹配、ROI区域内检测算法。用一幅图说明如下所示：
Mac端需要先配置dlib依赖
直接使用brew安装下面两个依赖1
2brew install openblas
brew install opencv
X11是执行Unix程序的图形窗口环境。Mac OS X本身的程序是Aqua界面的，但是为了能够兼容unix和linux移植过来的程序（Mac OS X由BSD-UNIX修改而来），比如MatLab，就需要x11窗口环境。
运行dlib需要X11，但Mac目前没有自带X11，需要重新下载安装，下载地址
下载后直接安装，默认安装目录为/opt/X11，需要在/usr/loca/opt目录下创建软连接（最好使用绝对地址），创建命令如下，创建后重启Mac。1
2cd /usr/local/opt
ln -s /opt/X11 X11
real_dlib_muban_roi.cpp
功能：实时单人脸区域检测(从摄像头读取)，及人脸68个关键点位置检测
实时帧率：23 fps
视频大小：320$\ast$240 标清
硬件平台：Intel(R) Core(TM) i5 @ 2.70GHz（Mac）
算法描述：
1、先进行Face Detect得到第一帧中人脸区域；
2、将该区域放大1.2倍，取为ROI区域；
3、在ROI区域中进行模板匹配（模板为前一帧中检测的人脸）
4、假如模板匹配算法得分较低，或者bbox超出了图像边界(即人脸出界)，则在整张图中重新进行Face Detect
调用指令： ./real_dlib_muban_roi
Tips：笔者也尝试过在ROI区域中不执行模板匹配，而是直接执行Face Detect，但实际人脸静止情况下，检测到的人脸位置突变极大。折腾了两三天，不断运行代码，发现位置分布居然是有规律的，就在几个固定位置跳动。
突然意识到人脸检测器不是每个像素划窗的(🤦♂️)，而是每20/40个像素滑，这样就不能在ROI区域中完美匹配到上次的位置。所以采取了模板匹配的方法，挨个像素滑动，这样检测位置便是正确的了。
video_Seeta_Track.cpp
功能：实时单人脸区域检测（从视频读取），及人脸68个关键点位置检测
实时帧率：25 fps
视频大小：320$\ast$240 标清
硬件平台：Intel(R) Core(TM) i5 @ 2.70GHz（Mac）
算法描述：追踪代码运行超过75次，或者追踪失败的情况下，调用Face Detect函数，重新进行人脸位置检测
调用指令： ./video_Seeta_Track
检测demo附图：
real_dlib.cpp / real_seeta.cpp
功能：多人脸区域检测(从摄像头读取)，及多人脸68个关键点位置检测
实时帧率：8～10 fps
视频大小：320$\ast$240 标清
硬件平台：Intel(R) Core(TM) i5 @ 2.70GHz（Mac）
算法描述：
这两个算法，仅用了face detect，而detect在人脸关键点检测项目中，占据的时间较长，所以仅用检测，无法在mac上达到实时效果。
调用指令：./real_dlib，./real_seeta.cpp
作为对比，分别对seetaface、dlib库进行了测试，发现两个face detect库耗时相当，seetaface人脸检测器，能检测到更小的人脸[40,40]，人脸偏转一定角度(45度范围内)，基本也能检出。而dlib的优势在于其稳定性，这个应该跟模型设计的划窗步长相关，见第二点’Tips’中的分析。
Pic_LandMark68.cpp
功能：多人脸区域检测(从图片读取)，及多人脸68个关键点位置检测
算法描述：
采用Seetaface进行人脸检测，dlib进行后续的人脸关键点检测
调用指令：./build/Pic_LandMark68 1.png ./model/seeta_fd_frontal_v1.0.bin
检测demo附图：
Github代码连接
上述代码已经全部上传至github，目前仅实现了实时单人脸68关键点绘制，后面有时间话再完善多人关键点检测代码吧。1
2
3
4
5
6# clone该工程
cd Video_Face
mkdir build
cd build
cmake ..
make # 即可在build文件夹中生成可执行程序，调用方式如上
PS：dlib、Seetaface的相关代码我也一起打包到工程中了，如果你自己编译安装了OpenCV，用上述CMakeLists便可以。如果你没有编译OpenCV，恰巧又是Mac平台，可以使用我编译好的OpenCV动态库，就在libs文件夹，OpenCV头文件在include文件夹。
github代码链接