人臉檢測 JDA

在過去的幾個月裡，我主要針對人臉檢測進行了研發，嘗試的方法包括，adaboost+haar特徵，npd人臉檢測，和jda人臉檢測。這三種方法我都有實現，顯然jda人臉檢測器效果最佳。

jda檢測器融合了檢測和對齊兩種方式，重在檢測，通過對齊的方式使檢測的效果更好更快。

樣本內容包含：影象、真實人臉、估計人臉、置信度和權值。對於人臉影象來說，首先要將人臉歸一到同一尺度，我的做法是：

1）計算真實人臉形狀的最小外接矩形；

2）計算正方形，其中心為矩形的中心，邊長為矩形最大邊長；

3）計算正方形邊長與標準大小的比例，根據這一比例縮放影象和人臉形狀；

訓練樣本初始的估計人臉是均值人臉的微小變換（旋轉、平移和縮放），權值為1，置信度為0。檢測樣本的初始人臉為均值人臉。不要用均值人臉直接作為估計人臉。

在實際的訓練過程中，負樣本會出現嚴重不夠的情況建議用隨機變換的方式擴充樣本庫。

弱分類器所選用的特徵是畫素差，提取方式如下:

1) 生成弱分類器模板，內容包括兩個2d偏移量，n個特徵點之二的id，尺度值（1.0, 0.5, 0.25）；

2) 計算當前形狀與均值形狀之間的尺度和角度關係；

3) 根據角度和尺度對映對映偏移量；

4) 偏移量分別加到兩個指定id的當前標記點，得到兩個畫素，求其差值作為特徵。

參加分類的樣本，負樣本大於10倍正樣本，最好是能達到50倍。

弱分類器選擇為計算最大熵（正負樣本都參加）或最小偏移量（僅正樣本參加），用概率p來選擇，前面的stage，p更大表示選擇最大熵方式的概率大些。

強分類器採用樹型結構，每個非葉節點是乙個弱分類器，葉節點儲存乙個置信度，到達該葉節點的樣本需加上這個值來更新置信度。一棵樹還有乙個置信度閾值，根據召回率來設定，也就是說樣本經過每乙個決策樹，都會與閾值比較小於閾值認定為負樣本並pass掉。

級聯強分類器，也就是一棵棵決策樹依次分類正樣本，但是要分為多級，每一級分類之後要進行回歸。

回歸的目的是**樣本在當前狀態下應該發生多少偏移可以到達真實位置。也就是說在單級決策樹訓練完成後還要訓練回歸器，回歸器的特徵是二值特徵，提取方式如下：

1) 如果決策樹葉節點有8個，樣本分到第三個葉節點，則形成0010000；

2) 連線樣本經過的所有決策樹生成的二值特徵；

回歸器就是二值特徵到偏移量的對映，使用liblinear可以解決，用公式可表示為iw=y，i表示特徵，y表示偏移量，w表示權值。

github上一些實現，使用liblinear來解線性方程，得到的結果用liblinear自己的介面來儲存，然後使用的時候用liblinear的函式**，這樣做會顯著減慢速度以及增加模型大小。解決這兩個問題的方法是把權值矩陣提取出來。