人脸检测（detection）与人脸校准（alignment）

由于个人想做一下人脸角度识别，但能够找到的比较好的model是于仕祺大神的facedetection，奈何大神的版本只有Windows下的链接库，Ubuntu下使用不了，所以就基于人脸识别与人脸校准自己写一个角度识别的代码。其基本思想是通过人眼睛、鼻子、嘴巴的倾斜位置与人脸正中线角度进行比较，能够粗略计算出人脸的yaw与pitch角，并且基于Kinect2的深度信息，可以大概读取到人脸距离Kinect2的距离信息。
人脸检测（detection）在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法。这里介绍一种MSRA在14年的最新技术：Joint Cascade Face Detection and Alignment（ECCV14)。这篇文章直接在30ms的时间里把detection和alignment都给做了，PR曲线彪到很高，时效性高，内存占用却非常低，在一些库上虐了Face++和Google Picasa。
人脸校准（alignment）是给你一张脸，你给我找出我需要的特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等点的位置。
下面是Joint Cascade Face Detection and Alignment的结构图：

作者建立了一个叫post classifier的分类器，方法如下：

1.样本准备：首先作者调用opencv的Viola-Jones分类器，将recal阀值设到99%，这样能够尽可能地检测出所有的脸，但是同时也会有非常多的不是脸的东东被检测出来。于是，检测出来的框框们被分成了两类：是脸和不是脸。这些图片被resize到96*96。

2.特征提取：接下来是特征提取，作者采用了三种方法：

第一种：把window划分成6*6个小windows，分别提取SIFT特征，然后连接着36个sift特征向量成为图像的特征。
第二种：先求出一个固定的脸的平均shape（27个特征点的位置，比如眼睛左边，嘴唇右边等等），然后以这27个特征点为中心提取sift特征，然后连接后作为特征。
第三种：用他们组去年的另一个成果Face Alignment at 3000 FPS via Regressing Local Binary Features (CVPR14) ，也就是图中的3000FPS方法，回归出每张脸的shape，然后再以每张脸自己的27个shape points为中心做sift，然后连接得到特征。

3.分类：将上述的三种特征分别扔到线性SVM中做分类，训练出一个能分辨一张图是不是脸的SVM模型。

参考博客：
http://www.cnblogs.com/sciencefans/p/4394861.html