搜集整理了2004~2015性能最好的人脸检测的部分资料，欢迎交流和补充相关资料。
1：人脸检测性能
1.1 人脸检测测评
目前有两个比较大的人脸测评网站：
1：Face Detection Data Set and Benchmark（FDDB）
网址：http://vis-www.cs.umass.edu/fddb/results.html
FDDB是由马萨诸塞大学计算机系维护的一套公开数据库，为来自全世界的研究者提供一个标准的人脸检测评测平台，其中涵盖在自然环境下的各种姿态的人脸；该校还维护了LFW等知名人脸数据库供研究者做人脸识别的研究。作为全世界最具权威的人脸检测评测平台之一，FDDB使用Faces in the Wild数据库中的包含5171张人脸的2845张图片作为测试集，而其公布的评测集也代表了人脸检测的世界最高水平。
FDDB更新更及时一些，所以本文的资料还是主要参考的FDDB。
2：Fine-grained evaluation of face detection in the wild
网址：http://www.cbsr.ia.ac.cn/faceEvaluation/results.html
该测试网站是由李子青老师的研究组创立和维护的，其性能评估更细致，分析不同分辨率、角度、性别、年龄等条件下的算法准确率。该测试集更新没有FDDB及时。
1.2 Suevey
1）2010年微软zhang cha和张正友撰写的人脸检测的综述报告
[MSR-TR-2010] A_survey_of_recent_advances_in_face_detection
2）Stefanos Zafeiriou, Cha Zhang和张正友撰写了最新的人脸检测的综述paper，将出版在2016年的《Computer Vision and Image Understanding》
[CVIU 2015] A Survey on Face Detection in the wild past, present and future
最新性能总结如下：
1）在过去的10年人脸检测的性能已经有了激动人心的提升。
2）这些引人注目的性能提升，主要还是得益于将Viala-Jones的boosting和鲁棒性的特征相组合。
3）始终有15~20%的性能Gap，即使允许一个相对较大的FP(大约1000）,始终有15~10%的人脸无法被检测到。需要特别指出的是这些Gap主要是由于是失焦的人脸（比如模糊的人脸）。
4）在这个Benchmark中，最好的基于boosting技术和最好的基于DPM的技术是比较接近的。当然最好的技术还是boosting和DPM组合在一起的性能。（这个就是指的[ECCV 2014] Joint Cascade Face Detection and Alignment）
1.4 有关人脸检测指标
如果对于人脸检测指标不是很熟悉，可以参考http://www.cvrobot.net/recall-precision-false-positive-false-negative/
2. 2014的进展
1：Joint Cascade Face Detection and Alignment. ECCV 2014. D. Chen, S. Ren, Y. Wei, X. Cao, J. Sun.
Paper：[ECCV 2014] Joint Cascade Face Detection and Alignment
中文介绍：联合人脸检测、校准算法介绍
2：The fastest deformable part model for object detection J. Yan, Z. Lei, L. Wen, S. Z. Li,
paper：[CVPR 2014] The Fastest Deformable Part Model for Object Detection
3：Face detection without bells and whistles. ECCV 2014. M. Mathias, R. Benenson, M. Pedersoli and L. Van Gool.
Paper：[ECCV 2014] Face detection without bells and whistles.
project：http://markusmathias.bitbucket.org/2014_eccv_face_detection/
Code：https://bitbucket.org/rodrigob/doppia
Talk： http://videolectures.net/eccv2014_mathias_face_detection/ （不错的报告）
Slide：eccv2014_mathias_face_detection_01
4：A Method for Object Detection Based on Pixel Intensity Comparisons Organized in Decision Trees. CoRR 2014. N. Markus, M. Frljak, I. S. Pandzic, J. Ahlberg and R. Forchheimer.
Code：https://github.com/nenadmarkus/pico
Paper：Object Detection with Pixel Intensity Comparisons Organized in Decision Trees
实时人脸检测视频Demo：
5：Aggregate channel features for multi-view face detection.. B. Yang, J. Yan, Z. Lei and S. Z. Li.
Paper：[IJCB 2014] Aggregate channel features for multi-view face detection
3. 2015的最新进展
6：A Convolutional Neural Network Cascade for Face Detection. H. Li , Z. Lin , X. Shen, J. Brandt and G. Hua.
paper：[CVPR2015] A Convolutional Neural Network Cascade for Face Detection
7：Multi-view Face Detection Using Deep Convolutional Neural Networks. S. S. Farfade, Md. Saberian and Li-Jia Li
这是yahoo的人脸检测
Paper：[ICMR 2015] Multi-view Face Detection Using Deep Convolutional Neural Networks
News：The Face Detection Algorithm Set to Revolutionize Image Search
8：Face Detection with a 3D Model. A. Barbu, N. Lay, G. Gramajo.
paper：Face Detection with a 3D Model
结论：The 3D proposals are not perfectly aligned with the face keypoints, which results in a reduced accuracy in the high precision/very low false positive regime compared to other state of the art methods. However, in the regime of at least 0.1 false positives per image, it outperforms the cascade-based state of the art methods.