Face Detection σε εφαρμογές: τι είναι, μέθοδοι και βιβλιοθήκες

Τι είναι το Face Detection: αρχές και αλγόριθμοι

Face Detection — εργασία υπολογιστικής όρασης για τον προσδιορισμό της παρουσίας και της θέσης ανθρώπινων προσώπων σε μια εικόνα. Ο αλγόριθμος επιστρέφει bounding box (ορθογώνιο γύρω από το πρόσωπο) και confidence score (πιθανότητα ότι είναι πρόσωπο). Οι σύγχρονοι αλγόριθμοι επιστρέφουν επίσης facial landmarks — βασικά σημεία (μάτια, φρύδια, μύτη, στόμα, περίγραμμα προσώπου). Το Face Detection είναι το πρώτο στάδιο για πολλές εργασίες ML: αναγνώριση προσώπου, φίλτρα AR, ανάλυση προσοχής.

Ιστορία αλγορίθμων ξεκίνησε με τον Viola-Jones (2001) — αλληλουχία χαρακτηριστικών Haar-like σε CPU. Τη δεκαετία του 2010 κυριαρχούσαν οι HOG + SVM (Histogram of Oriented Gradients). Από το 2016, όλοι οι σύγχρονοι αλγόριθμοι βασίζονται σε συνελικτικά νευρωνικά δίκτυα (CNN): MTCNN, RetinaFace, SSH, MobileNet-SSD, YOLO-Face. Οι αλγόριθμοι CNN σε GPU δίνουν ακρίβεια 95–99% έναντι 85–90% για τις κλασικές μεθόδους. Σύμφωνα με το benchmark WiderFace (2025), το RetinaFace εμφανίζει mAP 96.3% στο δυσκολότερο υποσύνολο.

MTCNN (Multi-Task Cascaded CNN) — ένας κλασικός ανιχνευτής τριών σταδίων: το P-Net (Proposal Network) βρίσκει υποψήφια, το R-Net (Refine Network) φιλτράρει, το O-Net (Output Network) βελτιώνει το bounding box και εξάγει landmarks. Το MTCNN λειτουργεί σε CPU με ταχύτητα 30–50 ms ανά καρέ σε ανάλυση 640x480. Για κινητές συσκευές, το MTCNN προσφέρει βέλτιστη ισορροπία ταχύτητας και ακρίβειας χωρίς GPU.

Real-time Face Detection απαιτεί 30+ FPS για βίντεο. Αυτό είναι εφικτό σε σύγχρονα smartphone χάρη στο NPU (Neural Processing Unit) — Qualcomm Hexagon, Apple Neural Engine, MediaTek APU. Το NPU εκτελεί ανίχνευση σε 2–5 ms με κατανάλωση ενέργειας 50–100 mW, ενώ η GPU καταναλώνει 500–2000 mW. Για συνεχή ανίχνευση (κάμερα πάντα ανοιχτή) το NPU είναι η μόνη πρακτική επιλογή χωρίς υπερθέρμανση της συσκευής.

ML Kit Face Detection σε Android και iOS

ML Kit Face Detection — το πιο δημοφιλές SDK για ανίχνευση προσώπων σε κινητές συσκευές. Το ML Kit προσφέρει δύο λειτουργίες: contour mode (468 σημεία περιγράμματος προσώπου για ακριβή τοποθέτηση μάσκας) και classification mode (προσδιορισμός συναισθημάτων: χαμόγελο, ανοιχτά μάτια, ανοιχτό στόμα). Οι λειτουργίες συνδυάζονται στο FaceDetectorOptions. Το ML Kit χρησιμοποιεί το νευρωνικό δίκτυο Google MobileNetV2-SSD με βελτιστοποίηση μέσω NNAPI/GPU Delegate.

Ρύθμιση ML Kit Face Detection: setPerformanceMode(FACE_DETECTION_FAST / ACCURATE), setLandmarkMode (βασικά σημεία), setContourMode (σημεία περιγράμματος), setClassificationMode (συναισθήματα). Για μέγιστη ταχύτητα χρησιμοποιήστε FAST + LANDMARKS_ONLY + χωρίς περίγραμμα. Για φίλτρα AR — ACCURATE + ALL_CONTOURS. Σύμφωνα με την Google (2025), η λειτουργία FAST δίνει ακρίβεια 98% στα 5 ms, ενώ η ACCURATE — 99% στα 15 ms.

// ML Kit Face Detection με περιγράμματα
val options = FaceDetectorOptions.Builder()
    .setContourMode(FaceDetectorOptions.ContourMode.ALL)
    .setClassificationMode(FaceDetectorOptions.ClassificationMode.ALL)
    .setPerformanceMode(FaceDetectorOptions.PerformanceMode.FAST)
    .enableTracking()
    .build()
val detector = FaceDetection.getClient(options)

detector.process(inputImage)
    .addOnSuccessListener { faces ->
        faces.forEach { face ->
            val trackingId = face.trackingId
            val smile = face.smilingProbability
            val leftEyeOpen = face.leftEyeOpenProbability
        }
    }

Face Tracking στο ML Kit — μοναδική λειτουργία για ροή βίντεο. Κάθε ανιχνευμένο πρόσωπο λαμβάνει ένα tracking ID (ακέραιος αριθμός) που παραμένει μεταξύ των καρέ. Αυτό επιτρέπει την προσάρτηση αντικειμένων AR σε ένα συγκεκριμένο πρόσωπο χωρίς εκ νέου ανίχνευση. Ο ιχνηλάτης χρησιμοποιεί Optical Flow και διατηρεί το ID ακόμη και όταν το πρόσωπο είναι μερικώς καλυμμένο. Το tracking ID επαναφέρεται όταν το πρόσωπο εγκαταλείπει το καρέ για περισσότερο από 1 δευτερόλεπτο.

Apple Vision Framework: VNDetectFaceRectanglesRequest

Apple Vision Framework — το εγγενές πλαίσιο iOS για Face Detection, που λειτουργεί μέσω Core ML στο Apple Neural Engine. Το Vision παρέχει VNDetectFaceRectanglesRequest (μόνο bounding box) και VNDetectFaceLandmarksRequest (με σημεία περιγράμματος). Το Vision Framework είναι ενσωματωμένο στο iOS από την έκδοση iOS 11 και δεν απαιτεί πρόσθετα SDK — αποτελεί μέρος του Foundation.

Πλεονεκτήματα του Vision Framework: μηδενική εξάρτηση από βιβλιοθήκες τρίτων, λειτουργία μέσω Apple Neural Engine (ANE) σε τσιπ A12+, αυτόματη επεξεργασία προσανατολισμού εικόνας μέσω exifOrientation, υποστήριξη CIDetectorAccuracy για ρύθμιση ταχύτητας/ακρίβειας. Το Vision επιστρέφει VNFaceObservation με bounding box (κανονικοποιημένες συντεταγμένες 0..1) και landmarks (VNFaceLandmarkRegion2D).

Vision vs ML Kit σε iOS: το Vision είναι ταχύτερο σε παλαιότερες συσκευές (A12–A15) επειδή χρησιμοποιεί τους εγγενείς νευρωνικούς κινητήρες της Apple. Το ML Kit χρησιμοποιεί μοντέλα Google και μπορεί να είναι πιο ακριβές σε δύσκολες γωνίες (προφίλ, έντονη κλίση). Για απλή ανίχνευση (κάμερα, φωτογραφία) — Vision. Για φίλτρα AR και μάσκες περιγράμματος — ML Kit (468 σημεία έναντι 76 σημείων στο Vision).

import Vision

let request = VNDetectFaceRectanglesRequest { request, error in
    guard let observations = request.results as? [VNFaceObservation] else { return }
    for face in observations {
        let rect = face.boundingBox // κανονικοποιημένο 0..1
        let confidence = face.confidence
    }
}

let handler = VNImageRequestHandler(
    cgImage: cgImage, orientation: .up, options: [:]
)
try handler.perform([request])

VNDetectFaceLandmarksRequest — η εκτεταμένη έκδοση για βασικά σημεία. Επιστρέφει VNFaceLandmarkRegion2D για κάθε ομάδα σημείων: leftEye, rightEye, nose, faceContour, innerLips, outerLips. Κάθε ομάδα είναι ένας πίνακας CGPoint (κανονικοποιημένα). Το Vision δεν επιστρέφει 468 σημεία όπως το ML Kit — μόνο 76 βασικά σημεία. Για ακριβή μάσκα προσώπου το ML Kit είναι προτιμότερο· για βασική — το Vision.

OpenCV Haar Cascade: κλασική προσέγγιση

OpenCV Haar Cascade — ο κλασικός αλγόριθμος Face Detection που βασίζεται σε αλληλουχία χαρακτηριστικών Haar-like (Viola-Jones, 2001). Παρά την ηλικία του, το Haar Cascade χρησιμοποιείται ακόμη σε έργα με περιορισμένους πόρους: Raspberry Pi, συσκευές IoT, ενσωματωμένα συστήματα. Ο αλγόριθμος δεν απαιτεί GPU ή NPU — λειτουργεί σε οποιονδήποτε CPU με ταχύτητα 5–15 ms ανά καρέ σε ανάλυση VGA.

LBP Cascade (Local Binary Patterns) — εναλλακτική λύση για το Haar Cascade στο OpenCV. Το LBP είναι ταχύτερο (2–5 ms) και λιγότερο ευαίσθητο στον φωτισμό, αλλά δίνει περισσότερα ψευδώς θετικά αποτελέσματα. Το Haar είναι ακριβέστερο (85–90% έναντι 80–85% για LBP), αλλά είναι ευαίσθητο σε αντανακλάσεις και σκιές. Για εφαρμογές κινητών, το OpenCV Face Detection υστερεί σε ακρίβεια σε σχέση με τις μεθόδους νευρωνικών δικτύων, αλλά υπερέχει σε συμβατότητα — λειτουργεί σε οποιαδήποτε συσκευή.

// OpenCV Face Detection μέσω CascadeClassifier
val cascadeFile = File(context.filesDir, "haarcascade_frontalface_default.xml")
val faceDetector = CascadeClassifier(cascadeFile.absolutePath)

val gray = Mat()
Imgproc.cvtColor(colorFrame, gray, Imgproc.COLOR_RGBA2GRAY)
val faces = MatOfRect()
faceDetector.detectMultiScale(gray, faces)

faces.toList().forEach { rect ->
    // rect = bounding box προσώπου
}

Μειονεκτήματα του OpenCV: υψηλό ποσοστό ψευδώς θετικών (έως 15%), κακή απόδοση σε γωνίες προφίλ (>30° — πτώση ακρίβειας στο 50%), έλλειψη landmarks χωρίς πρόσθετο μοντέλο, έλλειψη παρακολούθησης μεταξύ καρέ. Για σύγχρονες εφαρμογές κινητών, το OpenCV Face Detection αποτελεί εναλλακτική λύση για συσκευές χωρίς Google Play Services (Huawei, Amazon Fire). Για κύρια σενάρια — ML Kit ή Vision.

Face Detection vs Face Recognition: διαφορά

Face Detection — προσδιορισμός της παρουσίας και της θέσης του προσώπου στην εικόνα. Αποτέλεσμα: bounding box και βασικά σημεία. Face Recognition — αναγνώριση ενός ατόμου με βάση το πρόσωπο: προσδιορισμός σε ποιον ανήκει το πρόσωπο. Το Face Recognition χρησιμοποιεί embeddings (διάνυσμα αριθμών που αντιπροσωπεύει το πρόσωπο) και τα συγκρίνει με μια βάση δεδομένων γνωστών προσώπων. Το Face Detection είναι το υποχρεωτικό πρώτο στάδιο για το Face Recognition.

Τεχνολογίες Face Recognition: FaceNet (Google, 2015) — triplet loss για εκμάθηση embeddings μεγέθους 128–512 float τιμών, ArcFace (2019) — additive angular margin loss, καλύτερη ακρίβεια (99.83% στο LFW). Για εφαρμογές κινητών, το Face Recognition απαιτεί προσαρμοσμένο μοντέλο TFLite — το ML Kit δεν παρέχει έτοιμο API για αναγνώριση ταυτότητας (μόνο ανίχνευση).

Απόρρητο σε κινητές συσκευές: το Face Detection είναι ασφαλές — δεν αποθηκεύει δεδομένα για τον χρήστη. Το Face Recognition απαιτεί αποθήκευση embeddings ή φωτογραφιών για σύγκριση. Η Apple απαιτεί ρητή συγκατάθεση του χρήστη για το Face Recognition και απαγορεύει τη χρήση του για διαφημίσεις. Η Google ML Kit σκόπιμα δεν περιλαμβάνει το Face Recognition για να αποφύγει κινδύνους απορρήτου. Για ανίχνευση χωρίς αναγνώριση — δεν υπάρχουν περιορισμοί.

Face Liveness Detection — πρόσθετος έλεγχος ότι το πρόσωπο είναι πραγματικό (όχι φωτογραφία/βίντεο). Χρησιμοποιεί ανάλυση κίνησης ματιών (blink detection), μικρο-μιμική, χάρτη βάθους (3D κάμερα). Το Liveness Detection είναι υποχρεωτικό για τραπεζικές εφαρμογές και εφαρμογές πληρωμών. Το ML Kit δεν διαθέτει ενσωματωμένο liveness — χρησιμοποιήστε προσαρμοσμένο μοντέλο ή το Google Play Integrity API για επαλήθευση.

Εφαρμογή του Face Detection σε εφαρμογές για κινητά

Φίλτρα AR και μάσκες — η πιο δημοφιλής εφαρμογή του Face Detection. Βάσει των σημείων περιγράμματος του προσώπου (468 σημεία) εφαρμόζονται 3D μάσκες, καπέλα, γυαλιά, μουστάκια. Το ML Kit Face Detection + SceneKit (iOS) ή Filament (Android) δημιουργεί εμπειρία AR σε πραγματικό χρόνο. Το Snapchat και το Instagram χρησιμοποιούν δικούς τους ανιχνευτές βασισμένους σε MobileNet + MTCNN. Για προσαρμοσμένα φίλτρα AR αρκούν το ML Kit και μια 3D μηχανή.

Επεξεργαστές φωτογραφιών και ρετούς — το Face Detection καθορίζει την περιοχή του προσώπου για αυτόματη διόρθωση: εξομάλυνση χρώματος δέρματος, αφαίρεση ατελειών, βελτίωση ματιών και δοντιών. Το OpenCV + ML Kit Face Detection δίνει συντεταγμένες για Selective Gaussian Blur (λείανση δέρματος) και αντίθεση ματιών. Πραγματική εφαρμογή — Facetune, BeautyPlus, YouCam Makeup.

Έλεγχος προσοχής — προσδιορισμός κατεύθυνσης βλέμματος (gaze detection). Το Face Detection επιστρέφει bounding box και landmarks ματιών. Βάσει της θέσης της κόρης σε σχέση με το μάτι καθορίζεται πού κοιτάει ο χρήστης: στην οθόνη, αριστερά, δεξιά, πάνω. Εφαρμόζεται σε e-learning (έλεγχος ότι ο φοιτητής βλέπει τη διάλεξη), διαφήμιση (μετρικές προσοχής), βοηθούς οδήγησης (έλεγχος κόπωσης).

// ARKit + Vision για φίλτρο AR
let faceLandmarksRequest = VNDetectFaceLandmarksRequest { req, _ in
    guard let face = req.results?.first as? VNFaceObservation else { return }
    if let leftEye = face.landmarks?.leftEye {
        // Επικάλυψη αντικειμένου AR στο αριστερό μάτι
    }
}

let handler = VNSequenceRequestHandler()
for pixelBuffer in videoStream {
    try handler.perform([faceLandmarksRequest], on: pixelBuffer)
}

Ιατρική και ευεξία — το Face Detection χρησιμοποιείται για ανάλυση ασυμμετρίας προσώπου (διάγνωση νευρολογικών διαταραχών), αξιολόγηση παλμού μέσω μικρο-δονήσεων του δέρματος (φωτοπληθυσμογραφία μέσω κάμερας), προσδιορισμό υγρασίας δέρματος. Το ML Kit Face Detection + OpenCV παρέχει επαρκή ακρίβεια για προκαταρκτικό έλεγχο χωρίς ιατρική πιστοποίηση. Για ιατρική παραγωγής απαιτείται πιστοποίηση FDA/CE.