人脸检测之PICO（Pixel Intensity Comparisons Organized）

整体检测思想：

（1）Pico 采用滑窗策略，图像大小维持不变，通过窗口不断移动与放大，实现对图像上所有区域的检测。

（2）针对每一个窗口，使其通过所有树，每通过一棵树会得到一个结果，这个结果不断递加，当其小于阈值时，则拒绝该窗口，判定其非人脸。

（3）若该窗口通过了所有树，其结果大于阈值，则接受该窗口，判定其为人脸，该结果为其置信度。

（4）检测完所有窗口后做一次聚类，假如两个区域的交集比上并集大于0.3，则判定该为同一人脸，结果取其坐标与大小的均值，置信度选择累加。

 

基于回归的决策树：

其中，pico特征的binary test定义如下，其中，I为图像，l1和l2分别代表图像I中2个不同的位置。

其中，训练数据如下所示，I为图像，v代表图像的标签，w代表权重，s表示第s个图像

然后，训练的过程，实际就是最小化下式子的加权均值平方误差（weighted mean squared error）

二值分类器的整体决策树：

为了从训练样本中产生K个级联的决策树，需要进行以下的步骤：

（1）首先初始化每个图像Is的权重值Ws，其中，P为正样本的个数，N为负样本的个数，Cs为类别

（2）匹配一个决策树Tk，计算其WMSE，然后按照下式跟新其权值，并重新对权值做归一化操作。

（3）输出决策树Tk

二值检测器结果合并：

如果Iou大于30%，则进行相应的合并，即算2个框的位置和尺度的均值。

训练过程：

数据集：AFLW&Visage Technologies ( http://www.visagetechnologies.com/)

正样本：20000个原始正样本，经过scale和crop后，每个原始样本产生15个，最终产生300000个正样本

负样本：300000

训练时间：30小时（4核16G的电脑）

训练中cascade内存消耗：<200kb

实验结果：

references:

[1] https://github.com/nenadmarkus/pico

[2] Markuš N, Frljak M, Pandžić I S, et al.Object detection with pixel intensity comparisons organized in decisiontrees[J]. arXiv preprint arXiv:1305.4537, 2013.