【数字图像处理课程设计1】基于MTCNN的实时人脸检测方法及系统是集美大学计算机工程学院信息管理与信息系统专业学生刘佳昇的一次课程设计。该项目利用MTCNN（Multi-Task Cascaded Convolutional Networks）深度级联神经网络架构，实现了一套能够实时检测图像或视频帧中人脸的系统。
MTCNN框架由三个网络组成：P-Net、R-Net和O-Net，它们依次进行人脸检测，以从粗略到精细的方式预测面部的地标位置。在训练过程中，通过选取loss前70%的hard example进行反向传播，提高网络训练效率。该方法不仅具有高精度，还保持了实时性能，适用于门禁、拍照等应用场景。
**算法原理：**
1. **面部分类**：使用二分类交叉熵损失函数，网络预测每个样本是否为人脸，输出概率值 pik，目标标签为yidet（0或1）。
2. **边界框回归**：预测候选窗口相对于最近人脸的偏移，采用欧几里得损失函数来最小化预测框与真实框之间的距离。
3. **面部地标定位**：同样为回归问题，使用欧几里得损失函数优化面部特征点（如眼睛、鼻子、嘴角）的定位。
4. **多源训练**：不同任务对应不同类型的训练图像（面部、非面部、部分对齐面部），损失函数根据样本类型动态调整，使用随机梯度下降进行训练。
**界面设计：**
1. **前端界面**：系统包含图片识别模式和摄像头实时识别模式。左侧显示原始图像，右侧显示人脸检测结果，底部可选择开启或关闭摄像头。
2. **功能逻辑**：数据源通过OpenCV读取，支持JPG、PNG、GIF、BMP格式的图片，用户可以选择图片或使用USB或内置摄像头进行实时检测。
此项目不仅展示了数字图像处理技术在人脸识别中的应用，还涉及到了深度学习模型的构建、训练和优化，以及用户界面的设计与实现，是一次全面的课程设计实践。代码和模型已公开在GitHub上，可供进一步研究和参考。
