Frontal/Profile Face Detection in Python
Zusammenfassung
Kurz
Der Autor vergleicht fünf Gesichtserkennungsverfahren an einem einzelnen Bild. YuNet erkennt laut Bericht alle gezeigten Blickrichtungen, dlib Profile, aber nicht die getestete Aufwärtsansicht; MTCNN sei deutlich langsamer, ohne erkennbaren Vorteil. Als Einschränkung bleibt, dass keine systematische Messreihe beschrieben wird.
Mittel
Der Beitrag vergleicht fünf Python-Verfahren zur Gesichtserkennung anhand eines Bildes mit frontalen, seitlichen sowie nach oben und unten gerichteten Gesichtern. Bei OpenCV-Haar-Kaskaden sind getrennte Klassifikatoren für Frontal- und Profilansichten nötig. Laut Autor erkennen sie einige Blickrichtungen, können aber je nach Aufwärtswinkel beide scheitern; Überschneidungen müsse man manuell prüfen.
Im gezeigten Beispiel erkennt YuNet laut Bericht Gesichter in allen vier Richtungen und liefert neben Begrenzungsrahmen und Konfidenzwerten auch Landmarken für Augen, Nase und Mund. FaceNet erkennt vor allem frontale Gesichter und solche, die innerhalb eines bestimmten Winkels nach oben blicken. Dlib erkennt Profile gut, versagt laut Autor jedoch bei der getesteten stärkeren Aufwärtsansicht. MTCNN liefert ebenfalls Landmarken, bringt im Versuch aber keinen erkennbaren Genauigkeitsvorteil und braucht deutlich länger.
Der Autor empfiehlt, YuNet oder dlib für Profilgesichter weiter zu prüfen. YuNet decke dabei seiner Einschätzung nach einen größeren Winkelbereich ab. Die Aussagen beruhen auf einem einzelnen beschriebenen Beispiel; systematische Messwerte oder ein breiter Vergleich werden nicht angegeben.
Ausführlich lesen
Der Bericht vergleicht fünf Verfahren zur Erkennung von Frontal- und Profilgesichtern in Python: OpenCV-Haar-Kaskaden, OpenCVs DNN-Detektor YuNet, FaceNet aus dem Paket facenet-pytorch, dlib und MTCNN. Getestet wird laut Autor an einem Bild mit Gesichtern, die nach vorn, oben, unten und zur Seite schauen. Die Ergebnisse beruhen auf diesem Beispiel; ein umfassender Leistungsvergleich mit mehreren Bildern oder eine systematische Messreihe wird nicht beschrieben.
Bei den Haar-Kaskaden verwendet der Code getrennte Klassifikatoren für Frontal- und Profilansichten. Laut Bericht erkennt der Frontal-Klassifikator nach vorn und nach oben gerichtete Gesichter, der Profil-Klassifikator Seitenansichten und ebenfalls manche nach oben gerichteten Gesichter. Je nach Aufwärtswinkel könne es vorkommen, dass keiner der beiden anschlägt. Außerdem müsse man Überschneidungen zwischen ihren Erkennungen manuell beurteilen.
YuNet wird als CNN-basierter OpenCV-Detektor vorgestellt. Im gezeigten Versuch erkennt er laut Autor Gesichter in allen vier Blickrichtungen. Neben Begrenzungsrahmen und Konfidenzwert liefere er fünf Landmarken: Positionen der Augen, der Nasenspitze und der beiden Mundwinkel. Der Bericht bezeichnet YuNet als effizient und genau, führt dafür aber keine eigenen Messwerte an.
FaceNet, im Beitrag über die Klasse MTCNN aus facenet-pytorch aufgerufen und laut Text mit VGGFace2 und CASIA-Webface vortrainiert, erkennt im Versuch ähnlich wie die frontale Haar-Kaskade Gesichter nach vorn und innerhalb eines bestimmten Winkelbereichs nach oben. Für dlib berichtet der Autor eine gute Erkennung von Profilen, jedoch keine Erkennung des getesteten Gesichts, das nach oben schaut. Der mögliche Erkennungswinkel sei bei dlib offenbar enger als bei anderen Verfahren.
Auch das separat behandelte MTCNN liefert Begrenzungsrahmen, Konfidenzen und Landmarken. Der Autor sieht im Beispiel keinen Erkennungsvorteil gegenüber den anderen Ansätzen und berichtet von einer deutlich längeren Verarbeitungszeit. Für Live-Tracking rät er deshalb davon ab, sofern keine ausreichend leistungsfähige GPU vorhanden ist. Insgesamt erkennt er bei den Laufzeiten der übrigen Verfahren keine großen Unterschiede. Für Frontal- und Profilansichten empfiehlt er, YuNet oder dlib näher zu prüfen; YuNet habe im Vergleich zu dlib den größeren Winkelbereich. Diese Empfehlungen sind die Einschätzung des Autors auf Grundlage des beschriebenen Tests und keine allgemeingültige Rangliste.
Gegengeprüft von Claude Haiku 5.5: kleine Mängel
Luna hat zwei Zusammenfassungen (kurz und mittel) geliefert; das Schema erlaubt nur eine Bewertung, daher wurden beide gemeinsam geprüft. Beide Fassungen geben die zentralen Befunde korrekt wieder (YuNet alle vier Richtungen, dlib Profile ohne getestete Aufwärtsansicht, MTCNN langsamer ohne Vorteil, YuNet mit größerem Winkelbereich). Die Aussage, es fehle eine systematische Messreihe, ist eine sachgerechte Ableitung aus dem Einzelbeispiel, steht so aber nicht im Bericht. Die Sammelfragen und Teilfragen waren leer, daher wurde keine Einordnung vorgenommen.
Im Bericht, aber nicht in der Zusammenfassung
- Die Kurzfassung erwähnt Haar-Kaskaden (getrennte Frontal- und Profilklassifikatoren, manuelle Überschneidungsprüfung) und FaceNet (nur frontale Gesichter und Aufwärtsblick innerhalb eines Winkels) nicht.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.