一种快速的精准的以LAB特征为中心的级联检测方法
源论文标题:Locally Assembled Binary (LAB) Feature with Feature-centric Cascade for Fast and Accurate Face Detection
源论文链接:http://www.jdl.ac.cn/doc/2008/CVPR08_syyan_Print.pdf
【摘要】
在本文中,我们描述了一种新型的快速且准确的面部检测特征。该功能称为局部二值Haar特征(LAB-Locally Assembled Binary)。LAB特征基本上来自于Haar特征和局部二值模式(LBP)在面部检测中的成功,但远远超出了两者简单的组合。在我们的方法中,Haar特征被修改为仅保持序数关系(所以命名为二值Haar特征),而不是累积强度之间的差异。类似LBP的思想,我们组合了相邻的几个二值Haar特征。LAB特征相比Haar特征和LBP,更加的有效率和节省计算开销。此外,我们提测了一个新的以特征为中心的级联方式(feature-centric cascade),在检测中更加的高效。在CMU + MIT的正脸测试数据集和CMU侧脸数据集上的实验结果表明,我们的方法有非常好的效果和惊人的检测速度。
【1、介绍】
近十年来,我们目睹了人脸检测技术的蓬勃发展。 不同的研究或商业组织为各种实际应用开发了各种快速准确的面部检测系统,如视觉监控,机器人,图像检索和智能人机界面。
在介绍面部检测的发展和问题之前,首先给出参考文献[1]引用的面部检测的概念:给定任意图像或图像序列,面部检测的目标是确定是否存在面部图像,如果存在,返回其图像位置和范围。
一般情况下,图像中的脸部随着不同的照明条件,人物,姿势,表情等而变化。所有这些因素使得面部检测变得具有挑战性。 为了应对这些变化,研究人员[2,3,4]往往通过采用适当的特征和有效的学习方法来模拟“面孔”。 更一般来说,这实际上是所有模式分类问题的关键问题。
基于人脸的各种物理特性提出了许多不同类型的特征。 这些特征包括强度,颜色,纹理,边缘和图形[2,3,4,5,6]等等。 某些功能在特定条件下显示出良好的性能,但在一般情况下却有局限性。 例如,肤色可以是分割面部区域的有效特征。 然而,它需要启发式的后处理从分割结果中提取面部。 此外,肤色对光照变化较敏感,只能应用于彩色图像。 其他特征,如小波[7],可以适应适度的光照变化。 然而,当考虑分类精度和计算成本时,基于强度的方法通常在某些特殊应用环境中最佳性能[2,7,8]。
对于分类器,面部检测的经典分类器包括神经网络[8,9],贝叶斯分类器[7],支持向量机(SVM)[2]和SNoW [10]。