基于ACF多通道特征的人脸检测——从原理到实现

首先说明一下，这个项目并不是博主在实验室负责的项目，而是博主的一门两学分的课的大作业（张学工老师的模式识别基础，有兴趣的可以百度一下），所以并没有投入太多时间去弄，还有很多地方可以改进，后文会陆续提到，也会指明改进的方法。

然后博主只是个大三的学生，实现的一些不足还希望多包涵。

这个检测的程序主要是针对多人大图像的人脸检测（30-100人，1000*2000pixel以上），博主用一张1800*3600的图片在各个人脸检测的开源API上试了一下，检测率基本都是零，没错，是零。正常的API不会考虑如此大的图像和如此小的人脸，这正是这个作业所需要完成的工作。

先说几篇主要的参考文献：

（1） Efficient Non-Maximum Suppression，2006 ICPR.

    这篇论文主要的工作是提出了一种高效的非极大值抑制算法（NMS），本项目中，将利用此算法合并重复窗口（Bounding Box）。

（2） Histograms of Oriented Gradients for Human Detection， 2005，CVPR

    这篇论文的主要工作是提出了HoG特征，并将其用于行人检测（HoG+SVM），取得了很好的效果，引用量5000+。

（3） Aggregate Channel Features for Multi-view Face Detection，2014，IJCB

    这篇论文的主要工作时提出基于ACF（多通道）特征的人脸检测。这个团队在2015年发表了另一篇论文：A Convolutional Neural Network Combined with Aggregate Channel Feature for Face Detection，这篇是在14年的基础上加以改进的，在多个库上达到state-of-the-art。

（4） Fast Feature Pyramids for Object Detection，2014，PAMI

    这篇论文的主要工作是分析论证了不同尺度下特征的联系。大致思想是，已知这一个尺度上的各个特征，就可以大致估计出相邻尺度上的各个特征，
    这样就不必将每个尺度都计算一遍，因此可以很大程度地加速程序的运行。论文中提出了ACF特征和ICF特征，并加以分析和对比。

论文内容很多，在此就不一一详释了。主要说一下本项目的大体思路：

通过调研相关文献，得知在人脸检测方面最为著名、应用最为广泛的方法为VJ模型，其主要思想是通过Adaboost分类器结合Harr特征进行人脸检测。但是这种方法的检测效果、系统的稳定性、系统的效率等诸多方面并不能令人满意。

随着研究的深入，越来越多的方法被提出，目前最为成功的方法是通过卷积神经网络进行人脸检测，即CNN。但是卷积神经网络形式多样，需要通过大量的样本和实验来确定最佳的网络结构，出于对项目完成时间的考虑，采取了一种折中的办法：

参考14年的论文 Aggregate Channel Features for Multi-view Face Detection 加以实现。

实现的大致思路：

（1）训练：

    将正、负样本归一化到80*80（负样本是负样本原图像随机选取的80*80的区域）。提取ACF特征（RGB，梯度直方图（HSV），HoG（HSV），共10个通道），

    通过软级联Adaboost（深度为2的决策树，个数分别为32,128,512,2048）进行训练，得到训练模型。

（2）测试：

    对原图像进行尺度缩放/扩大，对每个80*80的区域（步长需设定）进行特征提取，通过训练得到的Adaboost模型进行分类。

（3）工作展望：

    在 A Convolutional Neural Network Combined with Aggregate Channel Feature for Face Detection 中，是将以上的结果作为CNN的输入，进行进一步的细分类，可以达到更好的效果。

理论上来讲这种实现的方法可以达到42FPS的速度，但是由于第四篇论文博主还没太搞清楚，代码也没来得及写，所以目前版本的速度很慢，好在老师并不要求运行时间（毕竟我们不是搞优化的=。=）。

代码比较多，这里给出一些比较关键的实现（以下省略的软级联Adaboost，而改用最基本的决策树Adaboost）。

    function featureImag = FaceDetectionImage(RGBoriginalImag)
% 获得原图像的相应十幅特征图
% 输入：原图像，RGB
% 输出：特征图像：m*n*10
% HSV+RGB+RGB
% color:HSV
% gradMag:RGB
% gradHist:RGB
%%
featureImag = zeros(floor(size(RGBoriginalImag, 1)/4), floor(size(RGBoriginalImag, 2)/4), 10, 'single');
% 颜色特征
%原始RGB图像