人脸检测“A Fast and Accurate Unconstrained Face Detector”

NPD人脸检测主要内容：
1.图像特征：Normalized Pixel Difference(NPD)，存在查找表中。
2.特征筛选：deep quadratic tree
3.分类：soft cascade classifier

1.NPD特征
就是两个像素的相对差值，根据Weber规则得到。
$f(x,y)=\frac {x-y}{x+y}$
对于s*s的图像，p=s*s一维向量化，NPD特征维度为$d=p(p-1)/2$。作者用的20*20大小的人脸，特征维度为20*20（20*20-1）/2=79800。特征值的范围是[-1 1]。

2.DQT
stump:基本的树分类器，根据一个阈值将节点分成两个子节点。
DQT:对于特征x,树节点如下分割：
$(ax^2+bx+c)<t$
给定合适的系数，这个方程对应检查x是否在$[\theta_1,\theta_2]$中，考虑到了x的一阶和二阶信息。对于NPD特征，可以学到如下三种结构：

下图显示了几种情况，$f_1$对应（3），$f_2$对应（4），$f_3，f_4$对应不能满足（5）出现的强对比边缘。

在论文的算法中，将特征的范围归一化到L=256个bin中，使用穷举法决定阈值$[\theta_1,\theta_2]$，加权均方误差作为分割标准。

此外，使用二次分割学习深度树，论文中树的深度是8。这样可以把几个NPD特征结合起来描述人脸，fig.3是一个例子。

3.Gentle Adaboost
学习基于NPD特征的DQT，soft cascade结构用来训练和拒绝负样本，每次迭代，学习到一个DQT作为弱分类器，以及一个目前AdaBoost分类器的阈值用于拒绝负样本。

Pose:不同的pose可自动划分到树的叶子节点。
对遮挡，光照变化，低分辨率都不敏感。

4.实验细节
对于非限制的模型，人脸模板是24*24。训练使用Annotated Facial Landmarks in the Wild（AFLW）数据库，包含25933个人脸，使用21730个样本及它们的镜像随机扰动构成217300个正样本。通过在人脸上贴非人脸构造了一些难得负样本。树的深度是8，每个树最多评价8个NPD特征，最终的检测器包含1226个DQT，46401个NPD特征。每个检测窗约需估计114.5个NPD特征。

对于正面人脸，12102，12315个正负样本，模板大小20*20，使用CART训练。

在FDDB上的实验结果