Face Detection

最近在做一个比较经典的项目人脸检测。对就是人脸检测。一个不能做得太差的项目。因为现在的技术已经非常成熟，且开源的效果也是很好（如OpenCV）。Benchmark有FDDB、MALF，目前基于Adaboost的Cascade算法应该算是权威的做法（并使用积分图进行加速）。开山之作Paul Viola&&Micheal.J.Jones的文章[1]。下面就基于Adaboost的Cascade算法进行展开。

特征

• Haar-like
  Haar特征比较简单，可以使用积分图加速。这里捎带提2点
  
  1. 使用45度倾斜的Haar特征(也可以使用积分图)，见文章[2]
  2. 光照矫正。一般使用标准差归一化，公式如下：
     $\overline{I(x,y)} = \frac{I(x,y) - u}{c\sigma}$
     a). c为常数，我取的是1。在45度倾斜的haar特征中，作者用的是2。
     b). 均值u不用减，因为Haar-like特征就是检测窗内对应块做减法，可以抵消掉。即$(v_1-u)-(v_2-u)=v_1-v_2$。
     c). 标准差通过公式$\sigma=\sqrt{E(x^2)-E(x)^2}$求解，这样由$I(x,y)^2$和$I(x,y)$的积分图，可以快速计算出任意位置检测框的标准差。
     
     
• MBLBP
  请参考文章[3]。其主要思想如下图:
  
  
  1. 传统的LBP是用单个像素值来进行比较。而MBLBP使用每个块中的像素平均值来比较。每个块的像素值的和可以通过积分图来计算，因此速度也很快.
  2. 与Haar-Like不同的是，其不需要进行光照的归一化，因为LBP本身就抗光照
  3. 另一个比Haar-like有优势的地方是，其在同一大小的检测框内，其所有类型的特征数量要比Haar少的多，因此训练时需要的内存要小很多
     
     

Cascade Struture

• 前几层分类器的弱分类器的个数要尽量少一点
  目的是要用前几层在较少的时间内把尽量多的负样本给干掉，只让少数的样本跑完所有检测器。因此前几层用来学习的负样本的纹理要尽量简单，如白板等
  
  
• Feature-centirc
  请参考文章[4],即前几层使用一样的特征，这样就可以在特征图上进行扫描，而不是在原图上进行扫描，可以加速好多倍
  
  
• 合并相同的特征
  请参考文章[5]
  
  
• FloatBoost
  
  

弱分类器

目前弱分类器主流使用Desicion Tree，但是如果想加深树的深度，原始的决策树的算法将非常耗时，这里采用文章[6]的方法现将特征进行分段，再在这些段上面进行树的分割，这样可以很好的提高训练的时间

Open Source

• OpenCV Train Cascade

Reference

1. Robust Real-Time Face Detection
2. An Extended Set of Haar-like Features for Rapid Object Detection
3. Face Detection Based on Multi-Block LBP Representation
4. Feature-Centric Evaluation for Efficient Cascaded Object Detection
5. Face Detection with the Modified Census Transform
6. Fast Rotation Invariant Multi-View Face Detection Based on Real Adaboost