2. 人脸检测基础原理

人脸检测在AR特效中承担“第一公里”角色——必须在每一帧快速找到人脸并输出可靠几何信息。本章从原理出发，拆解关键点定位（68/106/468点）、边界框回归（Bounding Box Regression）两大核心，对比BlazeFace与MobileNet两种轻量级感知架构，并通过推理流程图说明帧率与精度的平衡策略。

2.1 关键点定位：68 / 106 / 468 点

关键点定位（Landmark Localisation）输出人脸面部特征点坐标，用于后续表情驱动、特效附着。工业界主要采用三种标定方案：

2.2 边界框回归

边界框（Bounding Box）为人脸提供矩形定位，与关键点共享主干特征。回归目标为4个值：中心坐标( x_c, y_c )与宽高( w, h )。轻型检测器通常使用 Center+Scale 表示法，避免直接回归值。

• Anchor-free架构（如BlazeFace）：直接预测网格单元到人脸中心偏移量与尺度，减少超参数。
• Smooth L1 Loss：标准损失函数，对离群点更鲁棒。
• NMS（非极大抑制）：后处理消除重复框，排序阈值通常0.3~0.5。

# 示例：边界框解码（BlazeFace输出格式）
cx = (grid_x + offset_x) * anchor_w
cy = (grid_y + offset_y) * anchor_h
w  = exp(scale_x) * anchor_w
h  = exp(scale_y) * anchor_h

2.3 轻量级模型：BlazeFace vs MobileNet

两者均为移动端优化的检测器，核心差异在骨架结构。下表的对比可帮助选型：

2.4 推理流程与帧率平衡

完整人脸检测推理管线共4个阶段：

1. 图像预处理：缩放、归一化、格式转换（RGB）；
2. 模型前向：轻量主干提取特征 + 同时预测框/关键点；
3. 后处理：解码框坐标、NMS、筛选置信度；
4. 关键点修正：对保留下来的框内做人脸关键点坐标变换。

帧率瓶颈通常在后处理与NMS。优化手段包括：

• 使用单次NMS替代多次NMS；
• 将NMS阈值提高至0.5（减少迭代次数）；
• 对关键点使用固定热图解码，避免额外网络。

2.5 代码示例：BlazeFace人脸检测（MediaPipe API）

import mediapipe as mp
import cv2

mp_face_detection = mp.solutions.face_detection
face_detection = mp_face_detection.FaceDetection(model_selection=0, min_detection_confidence=0.5)

cap = cv2.VideoCapture(0)
while cap.isOpened():
    success, frame = cap.read()
    if not success: break
    rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    results = face_detection.process(rgb)

    if results.detections:
        for detection in results.detections:
            # 取出边界框
            bboxC = detection.location_data.relative_bounding_box
            ih, iw, _ = frame.shape
            x, y, w, h = int(bboxC.xmin*iw), int(bboxC.ymin*ih), int(bboxC.width*iw), int(bboxC.height*ih)
            cv2.rectangle(frame, (x, y), (x+w, y+h), (0,255,0), 2)

            # 取出6个关键点（左眼、右眼、鼻尖、嘴左、嘴右、左耳/右耳）
            for i, keypoint in enumerate(detection.location_data.relative_keypoints):
                kx, ky = int(keypoint.x*iw), int(keypoint.y*ih)
                cv2.circle(frame, (kx, ky), 2, (255,0,0), -1)
    cv2.imshow('AR Face Detect', frame)
    if cv2.waitKey(1) & 0xFF == ord('q'): break
face_detection.close()
cap.release()
cv2.destroyAllWindows()

2.6 调试与性能优化

• Profile推理时间：分别测量预处理、模型前向、NMS、关键点变换耗时；
• OpenVINO / TensorRT加速：将BlazeFace转为IR/Engine格式，CPU/GPU提速1.5~3倍；
• 动态输入裁剪：上一帧框扩大20%作为当前帧搜索区域，大幅减少计算量；
• 多线程流水线：将解码/NMS放在单独线程，与模型推理重叠执行。

# 性能监控示例（Python装饰器测量耗时）
import time
def timer(func):
    def wrapper(*args, **kwargs):
        t0 = time.perf_counter()
        result = func(*args, **kwargs)
        t1 = time.perf_counter()
        print(f"{func.__name__}: {(t1-t0)*1000:.1f} ms")
        return result
    return wrapper

@timer
def detect_faces(frame):
    # 模型推理+后处理
    pass