人脸识别Benchmark：WIDER FACE等相关

墨蓝 2022-04-12 02:08 321阅读 0赞

**目录**

人脸检测

评价指标

常用数据库

发展现状

深度学习的人脸检测算法实测

原文

--------------------

![20181201141457990.png][]

如图所述，本文简单介绍一下。香港中文大学MMLAB维护的人脸识别Benchmark：WIDER FACE

**链接为：**[http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/][http_mmlab.ie.cuhk.edu.hk_projects_WIDERFace]

--------------------

## 人脸检测 ##

人脸检测（Face Detection），就是给一幅图像，找出图像中的所有人脸位置，通常用一个矩形框框起来，输入是一幅图像img，输出是若干个包含人脸的矩形框位置(x,y,w,h)，就像这样。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70][]

人脸检测对于人类而言非常容易，出于社会生活的需要，我们大脑中有专门的人脸检测模块，对人脸非常敏感，即使下面这样的简笔画，大脑也能轻易检测出人脸和各自的表情。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 1][]

人脸检测非常重要，那到底有什么用呢？

*  自动人脸检测是围绕自动人脸图像分析的所有应用的基础，包括但不限于：人脸识别和验证，监控场合的人脸跟踪，面部表情分析，面部属性识别（性别/年龄识别，颜值评估），面部光照调整和变形，面部形状重建，图像视频检索，数字相册的组织和演示。
 *  人脸检测是所有现代基于视觉的人与电脑，和人与机器人，交互系统的初始步骤。
 *  主流商业数码相机都内嵌人脸检测，辅助自动对焦。
 *  很多社交网络如FaceBook，用人脸检测机制实现图像/人物标记。

从问题的领域来看，人脸检测属于目标检测领域，目标检测通常有两大类：

*  **通用目标检测**：检测图像中多个类别的目标，比如ILSVRC2017的VID任务检测200类目标，VOC2012检测20类目标，通用目标检测核心是n(目标)+1(背景)=n+1分类问题。这类检测通常模型比较大，速度较慢，很少有State-of-the-art（STOA）方法能做到CPU real-time。
 *  **特定类别目标检测**：仅检测图像中某一类特定目标，如人脸检测，行人检测，车辆检测等等，特定类别目标检测核心是1(目标)+1(背景)=2分类问题。这类检测通常模型比较小，速度要求非常高，这里问题的基本要求就是CPU real-time。

从发展历史来看，深度学习在其中的作用非常明显：

*  **非深度学习阶段**：这段时间经典检测算法都是针对特定目标提出的，比如CVPR 2001的Viola-Jones (VJ)是针对人脸检测问题，CVPR 2005的HOG+SVM是针对行人检测问题，TPAMI 2010的DPM，虽然可以检测各类目标，但要用于多目标检测，需要每个类别分别训练模板，相当于200个特定类别检测问题。
 *  **深度学习阶段**：这段时间经典检测算法都是针对通用目标提出的，比如性能更好的Faster-RCNN, R-FCN系列，速度更快的YOLO, SSD系列，强大的深度学习只要一个CNN就可以搞定多类别检测任务（*模型数量1 vs. 200，CNN真的慢吗？*）。虽然这些都是多类别方法，但它们都可以用来解决单类别问题，目前人脸检测、行人检测等特定目标检测问题的State-of-the-art（SOTA）都是这类方法的针对性改进。

目前以深度学习为主的CV算法，研究重点是通用目标检测，这些方法在人脸检测问题上效果都不错，那直接用就好了，为什么还要研究这个问题呢？

*  **Faster-RCNN系列**：这类方法的优点是性能高，缺点是速度慢，在GPU上都无法实时，无法满足人脸检测对速度的极高要求，既然性能不是问题，这类方法的研究重点是提高效率。
 *  **SSD系列**：这类方法的优势是速度快，在GPU上能实时，缺点是对密集小目标的检测比较差，而人脸刚好是密集小目标，这类方法的研究重点是提高密集小目标的检测性能，同时速度也需要尽可能快，GPU实时算法在应用中依然受限。

人脸检测还有特殊的级联CNN系列，后面会介绍。目前人脸检测研究抱通用目标检测的大腿，这是事实和现状，但其速度和性能双高的要求还是有挑战性的。

--------------------

## 评价指标 ##

评价一个人脸检测算法(detector)好坏，常用三个指标：

*  **召回率(recall)**：detector能检测出来的人脸数量越多越好，由于每个图像中包含人脸的数量不一定，所以用检测出来的比例来衡量，这个指标就是召回率recall。detector检测出来的矩形框越接近人工标注的矩形框，说明检测结果越好，通常**交并比IoU大于0.5**就认为是检测出来了，所以 **recall = 检测出来的人脸数量/图像中总人脸数量**。
 *  **误检数(false positives)**：detector也会犯错，可能会把其他东西认为是人脸，这种情况越少越好，我们用检测错误的绝对数量来表示，这个指标就是误检数false positives。与recall相对，detector检测出来的矩形框与任何人工标注框的**IoU都小于0.5**，则认为这个检测结果是误检，误检越少越好，比如FDDB上，论文中一般比较1000个或2000个误检时的召回率情况，工业应用中通常比较100或200个误检的召回率情况。
 *  **检测速度(speed)**：是个算法都要比速度，人脸检测更不用说，detector检测一幅图像所用的时间越少越好，通常用**帧率(frame-per-second，FPS)**来表示。不过这里有点小问题，很多detector都是图像越小、图像中人脸越少、检测最小人脸越大，检测速度越快，需要注意不同论文的测试环境和测试图像可能不一样：测试图像，最常用的配置是VGA(640\*480)图像检测最小人脸80\*80给出速度，但都没有表明测试图像背景是否复杂，图像中有几个人脸（甚至是白底一人脸的图像测速度）；测试环境，差别就更大了，CPU有不同型号和主频，有多核多线程差异，GPU也有不同型号，等等。

一般情况下误检数越多召回率越高，同等误检数量下比较召回率，同等测试环境和图像比较速度，请尽可能保持公平正义。下图是评价指标的简单示例，图像总共包含7个人脸(黄色椭圆)，某detector给出了8个检测结果(绿色框)，其中5个正确，3个错误，这时候误检数为3，召回率为5/7=71.43%。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 2][]

--------------------

## 常用数据库 ##

人脸检测的测试数据库有很多，这里仅选择FDDB和WIDER FACE，这个两个数据库都有官方长期维护，各种算法都会提交结果进行比较，而且很多早期数据库目前都已经饱和，没有比较意义。

第一个是2010年非约束环境人脸检测数据库**FDDB**

**链接为：**[http://vis-www.cs.umass.edu/fddb/index.html][http_vis-www.cs.umass.edu_fddb_index.html]

*  Jain V, Learned-Miller E. **Fddb: A benchmark for face detection in unconstrained settings** \[R\]. Technical Report UM-CS-2010-009, University of Massachusetts, Amherst, 2010.

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 3][]

FDDB总共2845张图像，5171张，人脸非约束环境，人脸的难度较大，有面部表情，双下巴，光照变化，穿戴，夸张发型，遮挡等难点，是目标最常用的数据库。有以下特点：

*  图像分辨率较小，所有图像的较长边缩放到450，也就是说所有图像都小于450\*450，最小标注人脸20\*20，包括彩色和灰度两类图像；
 *  每张图像的人脸数量偏少，平均1.8人脸/图，绝大多数图像都只有一人脸；
 *  数据集完全公开，published methods通常都有论文，大部分都开源代码且可以复现，可靠性高；unpublished methods没有论文没有代码，无法确认它们的训练集是否完全隔离，持怀疑态度最好，通常不做比较。（扔几张FDDB的图像到训练集，VJ也可以训练出很高的召回率，需要考虑人品能不能抵挡住利益的诱惑）
 *  有其他隔离数据集无限制训练再FDDB测试，和FDDB**十折交叉验证**两种，鉴于FDDB图像数量较少，近几年论文提交结果也都是无限制训练再FDDB测试方式，所以，如果要和published methods提交结果比较，请照做。[山世光][Link 1]先生也说[十折交叉验证][Link 2]通常会高1~3%。
 *  结果有离散分数discROC和连续分数contROC两种，discROC仅关心IoU是不是大于0.5，contROC是IoU越大越好。鉴于大家都采用无限制训练加FDDB测试的方式，detector会继承训练数据集的标注风格，继而影响contROC，所以discROC比较重要，contROC看看就行了，不用太在意。

FDDB在非深度学习的年代是极具挑战性的，很少能做到2000误检0.9以上，经典VJ detector在2000误检也只有0.6593，但在深度学习的年代，这个数据库目前也快接近饱和了，FDDB可以看做是资格赛，选手的正式水平请看下面的WIDER FACE。

第二个是目前2016年提出的，目前难度最大的**WIDER FACE**

**链接为：**[http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/][http_mmlab.ie.cuhk.edu.hk_projects_WIDERFace]

*  Yang S, Luo P, Loy C C, et al. **Wider face: A face detection benchmark** \[C\]// CVPR, 2016: 5525-5533.

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 4][]

WIDER FACE总共32203图像，393703标注人脸，目前难度最大，各种难点比较全面：尺度，姿态，遮挡，表情，化妆，光照等。

WIDER FACE有以下特点有：

*  图像分辨率普遍偏高，所有图像的宽都缩放到1024，最小标注人脸10\*10，都是彩色图像；
 *  每张图像的人脸数据偏多，平均12.2人脸/图，密集小人脸非常多；
 *  分训练集train/验证集val/测试集test，分别占40%/10%/50%，而且测试集的标注结果(ground truth)没有公开，需要提交结果给官方比较，更加公平公正，而且测试集非常大，结果可靠性极高；
 *  根据EdgeBox的检测率情况划分为三个难度等级：Easy, Medium, Hard。

WIDER FACE是目前最常用的训练集，也是目前最大的公开训练集，人工标注的风格比较友好，适合训练。总之，WIDER FACE最难，结果最可靠（顶会论文也有不跑WIDER FACE的，即使论文中用WIDER FACE训练），论文给出经典方法VJ, DPM, ACF和Faceness在这个库上的性能水平，可以看出难度确实很大。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 5][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 6][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 7][]

--------------------

## 发展现状 ##

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 8][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 9][]

WIDER FACE上人脸检测算法的水平，SOTA都在这里了：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 10][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 11][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 12][]

*  经典方法VJ，在这个库上只有0.412/0.333/0.137；
 *  2015年的STOA，深度学习方法Faceness在这个库上也只有0.716/0.604/0.315；
 *  2016年的STOA，深度学习方法MTCNN是0.85/0.82/0.6，最好的非深度学习方法LDCF+是0.797/0.772/0.564；
 *  2017上半年CVPR的HR是0.923/0.910/0.819，下半年ICCV的SSH是0.927/0.915/0.844，SFD是0.935/0.921/0.858，进步神速，深度学习刷榜真的非常恐怖，WIDER FACE离饱和也不远了。

WIDER FACE上结果还是清晰明了的，这个数据库是2015年底提出来的，发表在CVPR 2016，到现在也有两年了，再看这期间ECCV 2016, CVPR 2017和ICCV 2017人脸检测相关工作，也有很多论文没有提交WIDER FACE。

FDDB上结果有点多有点乱，我这里整理了一下FDDB的提交结果，挑选了有代表性的detector，分非深度学习和深度学习两个表格，分别比较100/200/500/1000/2000误检时的召回率，并给出了对应论文中的速度情况，方便大家比较。注意速度直接是论文数据，不同论文的电脑配置不同，多核多线程情况不同，测试图像大小和复杂程度不同，等等因素，仅供参考，具体配置请看原论文，有source code的自己实测。有的论文并未提交FDDB，下表中召回率只有小数点后两位的数据是根据**论文ROC曲线**估计的。

**非深度学习的人脸检测算法比较：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 13][]

包括2011~2017年的非深度学习人脸检测方法，还有github上著名项目，深圳大学于仕琪先生的libfacedetection速度最快，和中科院山世光先生的SeetaFaceEngine中的人脸检测部分召回率很高。注意非深度学习方法有时候给出的速度是正脸检测模型，多角度模型通常慢数倍。

*  **简单特征级联系列**，有VJ框架不同特征(Haar-like, LBP, SURF), 有二值特征JointCascade, Pico, NPD，这系列占比较大，速度优势非常明显，在CPU上单核单线程就能实时，甚至上百FPS；
 *  **DPM系列**，有Zhu, Structured Models, vanilla DPM，性能中上但速度都比较慢，FastestDPM较快但也需要多线程才能实时；
 *  **通道特征(channel feature)系列**，有HeadHuner, ACF-multiscale, ACF+和LDCF+，这一系列是非深度学习方法中性能最好的，仅ACF+和LDCF+在2000误检时超过了0.9，这两年非深度学习方法比较少，所以在WIDER FACE也只能看到ACF-multiscale和LDCF+。

**深度学习的人脸检测算法比较：**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 14][]

包括2015~2017的深度学习人脸检测方法，最后是我优化MTCNN的快速版本fastMTCNN。深度学习方法一般不会有正脸和多角度人脸模型的说法，速度都是召回率对应的。

这里跳过了一些只有report的方法，其中有腾讯的两个结果，基于Faster R-CNN的Face R-CNN，和基于R-FCN的Face R-FCN，在FDDB和WIDER FACE都是顶尖水平，说明Faster R-CNN/R-FCN在人脸检测中表现也很不错，不过并没有做速度方面的优化，都极慢就不关注了。

*  **级联CNN系列**，有CNN Cascade, FaceCraft, MTNN, ICC-CNN，这一系列是深度学习方法中速度最快的，CPU都在10 FPS以上，级联CNN系列优化后轻松可以在CPU上实时，全面优化后的fastMTCNN甚至可以在ARM上跑起来；
 *  **Faster R-CNN系列**，性能可以做到极高，但速度都很慢，甚至不能在GPU上实时；
 *  **SSD/RPN系列**：有SSH和SFD，都是目前FDDB和WIDER FACE上的最高水平，性能水平与Faster R-CNN系列不相上下，同时也可以保持GPU实时速度，SFD的简化版FaceBoxes甚至可以CPU上实时，极有潜力上ARM。

最后，CNN到底能做到多快呢？我们拿非深度学习中最快的libfacedetection中的multiview\_reinforce版本，和深度学习中我优化的fastMTCNN（MTCNN的加速版）做速度对比：

*  **测试环境**：multiview\_reinforce是Intel(R) Core(TM) i7-4770 CPU @ 3.4GHz；fastMTCNN是Intel(R) Core(TM) i3-6100 CPU @ 3.7GHz，算是持平吧，我们仅比较**单核单线程**的速度。
 *  **速度测试**：multiview\_reinforce是640x480(VGA), 最小人脸48，速度**109.3 FPS**；fastMTCNN是640x480(VGA)， 最小人脸80，速度**100 FPS**以上，这里multiview\_reinforce略快一点点。这一对比其实也是公平的，因为MTCNN中有边框回归，实际检测的最小人脸在50以下，这一点如果您暂时不能理解，请根据最后部分实测。
 *  **性能测试**：multiview\_reinforce在FDDB上2000误检是0.85，fastMTCNN在FDDB上2000误检是0.92。这里需要强调，fastMTCNN的性能测试和速度测试的配置，仅最小人脸大小不同（20和80），而multiview\_reinforce的性能测试和速度测试，除了最小人脸大小不同（16和48）之外，scale也不同，分别是1.08和1.2，做过人脸检测的都知道，这个意味着，如果按照速度测试的配置，multiview\_reinforce的召回率还要掉一大截，或者说，如果按照性能测试的配置，multiview\_reinforce的速度会慢很多。

当然libfacedetection一直在更新，这里对比的仅是2014年提交FDDB的召回率，用于证明深度学习在很高召回率的情况下，也可以做到实时。

--------------------

## 深度学习的人脸检测算法实测 ##

合理怀疑，fastMTCNN真的能跑这么快吗？如果您有兴趣，可以先测试一下MTCNN，看看优化之前有多快：

**[AlphaQi同学实现的C++版MTCNN-light][AlphaQi_C_MTCNN-light]**

C++版MTCNN-light只需要[OpenBLAS][]和[OpenCV][]就可以跑了，不需要其他第三方库，用于测试性能完全够用了，**但请不要用于实际项目和产品中，因为代码问题较多，具体实现以kaipeng的MATLAB代码为准**。动手实测，一起来感受一下吧：

*  输入VGA图像，最小人脸设置80，简单背景单人脸速度应该在**40 fps**以上。但复杂背景或人脸数量增加时，速度会严重下降，这就是级联算法的通病，在MTCNN中尤为严重，以后会详细分析成因和解决办法；
 *  设置最小人脸80，实际检测到的最小人脸理论上可以到达**52甚至更小**。这是由于MTCNN是**分类加回归的多任务方法（深度学习都是）**，回归机制可以检测到最大IoU = 0.65的更大人脸和最小IoU = 0.65更小人脸，这一点算是深度学习的天然优势吧，传统方法做不到。

--------------------

## [原文][Link 3] ##

[20181201141457990.png]: /images/20220412/6177278dad404f56bd6dc4cf32dbb9ce.png
[http_mmlab.ie.cuhk.edu.hk_projects_WIDERFace]: http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70]: /images/20220412/3a155f2578694463ba487d49107d15ab.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 1]: /images/20220412/85ca921af86147478836b9a9d3441769.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 2]: /images/20220412/59ab49361b844349920f1ff9b78f7676.png
[http_vis-www.cs.umass.edu_fddb_index.html]: http://vis-www.cs.umass.edu/fddb/index.html
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 3]: /images/20220412/4d2951542d6847aeb967393122a7de90.png
[Link 1]: http://vipl.ict.ac.cn/homepage/sgshan
[Link 2]: https://baike.baidu.com/item/%E5%8D%81%E6%8A%98%E4%BA%A4%E5%8F%89%E9%AA%8C%E8%AF%81/8586249?fr=aladdin
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 4]: /images/20220412/4c513e0ab14649a3afd438102473cdf4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 5]: /images/20220412/15090e66deff4bc18aabfb9b766d2e71.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 6]: /images/20220412/0e4bb8274cad481aac93003b9f29542a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 7]: /images/20220412/b2d7e43d4e594d17a7f0d282f3825add.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 8]: /images/20220412/71ff7815cbed4851834ecb83b640dbd6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 9]: /images/20220412/2a04330f3e074030ba1aaa4cb869cae6.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 10]: /images/20220412/4487b449154b4bbabe795952d35c4279.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 11]: /images/20220412/a6021da9551d427b9eb0c0a96b9bb761.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 12]: /images/20220412/d5620f7e85cf4c969d68d92d0454a81c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 13]: /images/20220412/e06f5dcc39b14f499d52ad9a0dc8fe02.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzI0MTE4NTI3_size_16_color_FFFFFF_t_70 14]: /images/20220412/82bda147dede45e3a7f6fd764509dcb8.png
[AlphaQi_C_MTCNN-light]: https://github.com/AlphaQi/MTCNN-light
[OpenBLAS]: http://www.openblas.net
[OpenCV]: https://opencv.org/
[Link 3]: https://zhuanlan.zhihu.com/p/32702868