SVM进行人脸检测

一、实现流程概述

• Part 1 Hog Representation
  通过feature.hog函数生成face_feature和hog_image，图片如下：
  

• Part 2 Sliding Window
  使用特定大小的窗口进行滑窗，完成Sliding_window函数，主要思路是先将原有图片进行填充，然后建立二重循环，计算每一个点的hog_score，完成response_map的建立，通过resize函数将response_map缩放到image大小，完成准备工作，开始测试，图片如下：
  
  
  然而，我们发现，缩放比例后，再次调用Sliding_window函数，目标检测效果达不到我们的预期，偏差较大：
  
  
  于是我们提出了以下解决方案(图像金字塔)：

• Part 3 Image Pyramids
  不停地缩小图片比例，并检测图片是否满足要求，同时将满足要求的图片放入一个list中，如果图片过小，就跳出循环，生成一个“倒金字塔”，共七张图片。
  

之后，完成Pyramid_score函数，通过对图片金字塔里的每一张图片使用滑窗函数遍历，找到打分最高的识别图片和缩放比例，图片如下：

• Part 4 Deformable Parts Detection
  生成五官的特征图，在此不再赘述。

• Part 5 Human Parts Location
  完成compute_displacement函数，求出偏移量mu和标准差std。其中，标准差的求解办法正如数学数学标准差求解所述。
  此后，完成shift_heatmap函数，用heatmap矩阵中的每一个位置上的元素除以矩阵元素总和，以此保证每一个位置的元素都不大于1。再用interpolation.shift函数处理heatmap，偏移量参数采用mu，获得新的四张heatmap，如下图所示。
  

• Part 6 Gaussian Filter
  完成gaussian_heatmap函数，叠加五张heatmap，完成。图片如下
  
  

二、运行过程中遇到的问题和解决方案

1. 滑窗函数问题：做的时候并没有真正理解pad_image究竟是填充后的整张图片还是仅仅是填充边框。此外，把窗口左上角点的分数当成了整个小窗口的份数，导致response_map的绘制出现问题，缩放后，大块的区域都是一种颜色。通过不断的试验和研究文档，对于第一个问题我采用imshow函数，展示了pad_image，搞清楚了pad_image到底代表什么图片。对于第二个问题，我在不断地尝试后，终于把问题解决掉了。

2. 特征金字塔问题：在一开始，由于没有仔细看要求，误把第一张不符合要求的照片也放入images中，在后续运行中出现问题。于是我查看了文档注释并且修改了函数逻辑，实现了此处功能。