人臉檢測方法有許多，比如opencv自帶的人臉Haar特徵分類器和dlib人臉檢測方法等。對於opencv的人臉檢測方法，有點是簡單，快速；存在的問題是人臉檢測效果不好。正面/垂直/光線較好的人臉，該方法可以檢測出來，而側面/歪斜/光線不好的人臉，無法檢測。因此，該方法不適合現場應用。對於dlib人臉檢測方法 ，效果好於opencv的方法，但是檢測力度也難以達到現場應用標準。

        MTCNN是基於深度學習的人臉檢測方法，對自然環境中光線，角度和人臉表情變化更具有魯棒性，人臉檢測效果更好；同時，記憶體消耗不大，可以實現實時人臉檢測。

       程式碼如下：

from scipy import misc
import tensorflow as tf
import detect_face
import cv2
import matplotlib.pyplot as plt
%pylab inline

minsize = 20 # minimum size of face
threshold = [ 0.6, 0.7, 0.7 ]  # three steps's threshold
factor = 0.709 # scale factor
gpu_memory_fraction=1.0


print('Creating networks and loading parameters')

with tf.Graph().as_default():
        gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=gpu_memory_fraction)
        sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options, log_device_placement=False))
        with sess.as_default():
            pnet, rnet, onet = detect_face.create_mtcnn(sess, None)

image_path = '/home/cqh/faceData/multi_face/multi_face3.jpg'            

img = misc.imread(image_path)            
bounding_boxes, _ = detect_face.detect_face(img, minsize, pnet, rnet, onet, threshold, factor)
nrof_faces = bounding_boxes.shape[0]#人臉數目
print('找到人臉數目為：{}'.format(nrof_faces))

print(bounding_boxes)

crop_faces=[]
for face_position in bounding_boxes:
    face_position=face_position.astype(int)
    print(face_position[0:4])
    cv2.rectangle(img, (face_position[0], face_position[1]), (face_position[2], face_position[3]), (0, 255, 0), 2)
    crop=img[face_position[1]:face_position[3],
             face_position[0]:face_position[2],]
    
    crop = cv2.resize(crop, (96, 96), interpolation=cv2.INTER_CUBIC )
    print(crop.shape)
    crop_faces.append(crop)
    plt.imshow(crop)
    plt.show()
    
plt.imshow(img)
plt.show()
 

        實驗效果如下：

          再上一組效果圖：

         關於MTCNN，更多資料可以參見：https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html?from=timeline&isappinstalled=1