3、深度学习人脸检测（一）：基于滑动窗口的CNN方法、OverFeat、多尺度检测策略
说实话，在深度学习还没火起来那会儿，做人脸检测基本靠手工特征加分类器。Viola-Jones 框架、HOG + SVM，这些我都调过。但到了 2013 年左右，大家发现卷积神经网络在图像分类上表现太猛了，自然就有人想：能不能把 CNN 也用到检测上？
嗯，这条路最开始走得挺朴素的。说白了就是——把分类器当检测器用。
3.1 从分类到检测：滑动窗口的朴素思想
你想想看，图像分类的任务是判断一张图里有没有人脸。那检测呢？检测不仅要判断有没有，还得告诉我人脸在哪儿。最直接的想法就是：把图像切成很多小窗口，每个窗口送进 CNN 分类器，判断是不是人脸。
这就是基于滑动窗口的 CNN 方法。我在 2014 年刚接触这个思路时，觉得挺笨的，但确实管用。
核心流程：
- 定义固定大小的检测窗口（比如 64×64 像素）
- 在图像上以固定步长滑动这个窗口
- 每个窗口区域送入 CNN 做二分类（人脸 / 非人脸）
- 收集所有被判定为人脸的窗口位置
- 用非极大值抑制（NMS）合并重叠的检测框
这里有个坑，我踩过。窗口大小和步长怎么选？窗口太小，大脸检测不到；窗口太大，小脸又漏了。步长设小了，计算量爆炸；步长设大了，定位精度下降。我曾经在一个项目里为了调这两个参数，跑了整整两天的实验。
我的经验：步长一般设为窗口尺寸的 10%~20%。比如 64×64 的窗口，步长取 8~12 像素比较合理。这样既不会漏检太多，计算量也能接受。
3.2 多尺度检测策略：解决尺度变化问题
人脸在图像里的尺寸变化太大了。近景人脸可能占几百像素，远景人脸可能只有几十像素。固定窗口肯定不行。
怎么办？两个思路：
- 图像金字塔：把输入图像缩放到多个尺度，在每个尺度上跑固定窗口
- 特征金字塔：在 CNN 的不同层上做检测，利用网络自身的多尺度特征
2013 年那会儿，大家主要用图像金字塔。我做过一个实验，把一张 1920×1080 的图像缩放了 8 个尺度，每个尺度跑一遍滑动窗口。结果呢？一张图跑了 40 多秒。嗯，那时候 GPU 也没现在这么强。
| 尺度策略 | 优点 | 缺点 | 典型应用 |
|---|---|---|---|
| 图像金字塔 | 实现简单，检测精度高 | 计算量大，内存消耗高 | OverFeat、早期 CNN 检测 |
| 特征金字塔 | 计算共享，效率高 | 深层特征分辨率低，小目标差 | SSD、FPN |
| 多尺度训练 | 模型自适应尺度变化 | 训练复杂度高 | MTCNN、RetinaFace |
图像金字塔的缩放因子一般取 0.7~0.9。我习惯用 0.8，这样每层尺度变化不大，检测框的连续性比较好。
3.3 OverFeat：滑动窗口 CNN 的集大成者
2013 年，纽约大学的 Sermanet 等人提出了 OverFeat。说实话，这篇我反复读了好几遍。它把滑动窗口、多尺度检测和 CNN 整合到了一个框架里，算是那个时代的标杆。
OverFeat 的核心贡献有三个：
- 全卷积化：把 CNN 最后的全连接层改成卷积层，这样网络可以接受任意尺寸的输入
- 多尺度推理：对输入图像构建金字塔，每个尺度都过一遍网络
- 联合训练：分类、定位、检测三个任务共享特征提取层
注意：OverFeat 的全卷积化思想后来被广泛应用。但它的多尺度推理是在测试时做的，训练时还是用固定尺寸。这意味着训练和测试的分布其实不完全一致。我在复现时发现，如果训练时加入多尺度数据增强，检测效果能再提升 2~3 个点。
OverFeat 的检测流程是这样的：
- 输入图像经过 5 个卷积层提取特征
- 在最后一层卷积特征图上，用滑动窗口做分类和回归
- 每个空间位置预测一个类别分数和边界框偏移
- 在不同尺度上重复这个过程
- 最后合并所有尺度的检测结果
我记得当时在 LFW 数据集上跑 OverFeat，检测率能到 90% 以上。虽然现在看这个数字不高，但在 2013 年，这已经是碾压传统方法了。
3.4 知识结构图：滑动窗口 CNN 检测流程
下面这张图展示了基于滑动窗口的 CNN 人脸检测的完整流程。我把它画出来，方便你理解各个模块之间的关系。
3.5 滑动窗口 CNN 的局限性
虽然滑动窗口 CNN 在当年取得了不错的效果，但它的缺点也很明显。我总结了几点：
- 计算冗余：相邻窗口有大量重叠区域，CNN 重复提取特征，效率很低
- 窗口数量爆炸：一张 1080p 图像，如果步长 8 像素，缩放 6 层，窗口数量轻松超过 10 万
- 定位精度差：滑动窗口的步长决定了定位的离散程度，步长越大，定位越粗糙
- 难以处理极端宽高比：固定窗口假设人脸是正方形的，但实际人脸可能有倾斜、遮挡
一个真实案例：我曾经在一个安防项目中用滑动窗口 CNN 检测监控画面中的人脸。1080p 的视频流，每帧要处理 15 万个窗口，在 GTX 1080 上只能跑到 3 FPS。后来我改用全卷积网络，直接回归检测框，速度提升到了 25 FPS。嗯，这就是技术迭代的力量。
3.6 从滑动窗口到全卷积的演进
OverFeat 的一个重要贡献是证明了全卷积化的可行性。为什么全卷积能提速？
你想想看，滑动窗口的本质是在输入图像的不同位置重复计算相同的卷积操作。而全卷积网络一次前向传播就能计算出所有位置的响应。说白了，就是把循环计算变成了矩阵运算，GPU 最喜欢这种模式了。
OverFeat 的做法是：
- 把最后三个全连接层改成 1×1 和 3×3 的卷积层
- 这样网络可以接受任意尺寸的输入
- 输出特征图上的每个空间位置对应一个检测结果
这个思路后来被 YOLO、SSD 等单阶段检测器继承和发展。可以说，OverFeat 是连接传统滑动窗口和现代全卷积检测器的桥梁。
我的建议：如果你想深入理解现代人脸检测算法，一定要把 OverFeat 的吃透。它虽然简单，但包含了检测任务的所有核心要素：多尺度、滑动窗口、回归、NMS。后面的算法再花哨，底层逻辑都没变。
3.7 本章小结
基于滑动窗口的 CNN 方法虽然现在看来有些笨重，但它奠定了深度学习人脸检测的基础。OverFeat 作为这个时期的代表作，提出了全卷积化、多尺度推理等关键思想，影响了后续几乎所有检测算法。
在实际项目中，如果你需要快速验证一个检测思路，滑动窗口 + 轻量 CNN 仍然是一个可行的方案。但如果是生产环境，我建议直接上全卷积网络或者基于锚点的检测器。毕竟，效率就是生命。