人脸检测
Parent: ai_keywords
人脸检测
【核心定义】
人脸检测（Face Detection）是计算机视觉中从静态图像或视频流中自动定位并输出人脸区域（通常为矩形边界框）的底层技术。它是人脸识别、表情分析、姿态估计等高级任务的前置步骤，核心在于在复杂背景中区分“人脸”与“非人脸”模式，并应对光照、遮挡、姿态等干扰。
【关键技术点】
- 传统方法：Viola-Jones算法基于Haar-like特征与Adaboost级联分类器，通过积分图实现高速计算，在早期嵌入式系统中有重要应用，但难以应对大角度偏转和强阴影。
- 深度学习方法：以卷积神经网络（CNN）为骨架，代表模型包括MTCNN（多任务级联网络）和RetinaFace。MTCNN通过三个级联网络（P-Net、R-Net、O-Net）实现从粗到精的检测与关键点回归；RetinaFace则引入特征金字塔与基于Transformer的上下文模块，在WIDER Face等基准上达到SOTA精度。
- 轻量化与实时性：MobileNet-SSD、TinyYOLO等模型通过深度可分离卷积与模型剪枝，在边缘设备（如摄像头、嵌入式终端）上实现30fps以上的实时检测，满足临床监控需求。
- 鲁棒性增强：采用数据增强（随机遮挡、色彩抖动）、多尺度训练及注意力机制，提升对口罩、眼镜、极端光照和姿态的适应能力。
【医学/神经科学应用场景】
基于首都医科大学神经病学背景，人脸检测在帕金森病（Parkinson’s Disease, PD）的面部运动分析中具有独特价值。PD患者常出现“面具脸”（面部表情减少）、眨眼频率下降及口唇运动迟缓等体征。临床部署时，利用RetinaFace高精度检测并提取68个人脸关键点，通过时序分析计算面部动作单元（AU）的激活幅度与频率。例如，比较AU12（嘴角上提）和AU6（眼轮匝肌收缩）的基线变化，可量化“微笑幅度缺失”；结合眨眼间隔的实时监测，辅助神经科医生评估多巴胺药物疗效。该技术已在全国多家三甲医院（含首医附属医院）的PD数据库中进行验证，实现非接触式、连续性的运动功能监测，显著提升早期诊断敏感度。
