1.目前主要有人脸检测方法分类？
主要包含两类：传统人脸检测算法和基于深度学习的人脸检测算法。
传统人脸检测算法主要可以分为4类： 基于知识、模型、特征和外观的人脸检测方法；
基于深度学习的方法：基于级联CNN的人脸检测（cascade cnn）、 基于多任务CNN的人脸检测（MTCNN）、Facebox等，很大程度上提高了人脸检测的鲁棒性。当然通用目标检测算法像Faster-rcnn、yolo、ssd等也有用在人脸检测领域，也可以实现比较不错的结果，但是和专门人脸检测算法比还是有差别。
2.如何检测图片中不同大小的人脸？
传统人脸检测算法的策略：
（1）缩放图片的大小（2）缩放滑动窗的大小
基于深度学习的人脸检测算法的策略：
（1）缩放图片大小。（也可以通过缩放滑动窗的方式，基于深度学习的滑动窗人脸检测方式效率会很慢存在多次重复卷积，所以要采用全卷积神经网络（FCN），用FCN将不能用滑动窗的方法。）
（2）通过anchor box的方法（通过特征图预测原图的anchor box区域）。
3.如何设定算法检测最小人脸尺寸?
主要是看滑动窗的最小窗口和anchorbox的最小窗口。
（1）滑动窗的方法
假设通过12×12的滑动窗，不对原图做缩放的话，就可以检测原图中12×12的最小人脸。但是往往通常给定最小人脸a=40、或者a=80，以这么大的输入训练CNN进行人脸检测不太现实，速度会很慢，并且下一次需求最小人脸a=30*30又要去重新训练，通常还会是12×12的输入，为满足最小人脸框a，只需要在检测的时候对原图进行缩放即可：w=w×12/a。
（2）anchorbox的方法
原理类似，这里主要看anchorbox的最小box，可以通过缩放输入图片实现最小人脸的设定。
4 如何定位人脸的位置？
1）滑动窗的方式：基于分类器识别为人脸的框的位置确定最终的人脸;
2）FCN的方式
通过特征图映射到原图的方式确定最终识别为人脸的位置，特征图映射到原图人脸框是要看特征图相比较于原图有多少次缩放（缩放主要查看卷积的步长和池化层）
3）通过anchor box的方式：
通过特征图映射到图的窗口，通过特征图映射到原图到多个框的方式确定最终识别为人脸的位置。
滑动窗的方式
5 如何通过一个人脸的多个框确定最终人脸框位置？
通过NMS得到最终的人脸位置：
NMS改进版本有很多，最原始的NMS就是判断两个框的交集，如果交集大于设定的阈值，将删除其中一个框，那么两个框应该怎么选择删除哪一个呢？ 因为模型输出有概率值，一般会优选选择概率小的框删除。
