人脸检测器

Question

人脸检测方法的分类

目前的人脸检测方法主要有两大类：基于知识、基于统计。

基于知识的方法主要利用先验知识将人脸看作器官特征的组合，根据眼睛、眉毛、嘴巴、鼻子等器官的特征以及相互之间的几何位置关系来检测人脸。基于统计的方法则将人脸看作一个整体的模式——二维像素矩阵，从统计的观点通过大量人脸图像样本构造人脸模式空间，根据相似度量来判断人脸是否存在。在这两种框架之下，发展了许多方法。目前随着各种方法的不断提出和应用条件的变化，将知识模型与统计模型相结合的综合系统将成为未来的研究趋势。-- 来自论文《基于 Adaboost 的人脸检测方法及眼睛定位算法研究》

• 基于知识的人脸检测方法
  • 模板匹配
  • 人脸特征
  • 形状与边缘
  • 纹理特性
  • 颜色特征
• 基于统计的人脸检测方法
  • 主成分分析与特征脸
  • 神经网络方法
  • 支持向量机
  • 隐马尔可夫模型
  • Adaboost 算法

VJ 人脸检测器

Haar 分类器：把 Boosting 算法中的 AdaBoost 算法训练出的强分类器进行级联，并且在底层的特征提取中采用了高效率的矩形特征和积分图方法

Haar 分类器 = Haar-like 特征 + 积分图方法 + AdaBoost + 级联结构

• Haar-like 特征（类 Haar 特征），用于检测
• 积分图（Integral Image），特征的快速计算方法，用于对 Haar-like 特征求值进行加速
• AdaBoost，有效的分类器学习方法，用于作为强分类器区分人脸和非人脸
• 筛选式级联结构，高效的分类策略，用于把强分类器级联到一起，提高准确率

所谓 Haar 特征，其实就是在窗口的某个位置取一个矩形的小块，然后将这个矩形小块划分为黑色和白色两部分，并分别对两部分所覆盖的像素点（图像上的每个点称为一个像素）的灰度值求和，最后用白色部分像素点灰度值的和减去黑色部分像素点灰度值的和，得到一个 Haar 特征的值。

VJ 人脸检测器的改进

• 变换（旋转、分离、对角、组合、带权多通道）的 Haar 的特征
• LBP 特征：LBP 特征是一种二值编码特征，其直接基于像素灰度值进行计算，特点是在编码时考虑的是两个值的相对大小，并且按照一定的空间结构来进行编码，局部组合二值特征就是在 LBP 特征的启发下设计的
• 简化的 SURF 特征：计算的是局部区域中像素点的梯度和，并在求和的过程中考虑了梯度方向（所谓梯度，最简单的一种情形就是指同一行上两个不同位置像素值的差比上它们水平坐标的差）
• HOG 特征：HOG 特征也是一种基于梯度的特征，其对一个局部区域内不同方向的梯度进行统计，计算梯度直方图来表示这个区域。
• 积分通道特征和多通道的 Haar 特征有些类似，但是其使用的通道更加多样化，将通道的概念推广为由原图像变换而来并且空间结构和原图像对应的任何图像。
• 聚合通道特征则在积分通道特征的基础上进一步加入了对每个通道进行下采样的操作，实现局部区域信息的聚合。