[1]: Joint Cascade Face Detection and Alignment –ECCV 2014
[2]: Face Alignment via Regressing Local Binary Features–TIP2016
[3]: Class-Specific Hough Forests for Object Detection
[4]: Face Alignment by Explicit Shape Regression
最近在做关于人脸检测的项目,主要是实现JDA【1】并尝试改进。
锁定JDA有两方面原因:速度28ms,准确率 FDDB 0.85
JDA采用的是框架是经典的Viola and Jones框架,即遵循两点:1)级联结构;2)简单的特征
本文的创新点是将alignment融合到detection中,利用landmark的回归辅助人脸的检测。具体来说,分类和回归,采用的特征都是在landmark周围的像素差特征,shape不断回归,像素差特征越能体现人脸的特征,从而起到辅助检测的作用。
作者实验验证了 这种shape index feature确实可以提升检测效果
对齐主要在【2】的基础上做的改进,改进的地方是在特征池的提取上,【2】是在目标回归点的local region上抽样点集得到像素差特征,而JDA是从任意取两个landmark的local region采样得到像素差特征;
级联结构的CART树主要采用【3】,不同之处在树的结构方面,【3】中在定义树深度的前提下,还设定了节点停止分裂的条件,JDA中仅定义树的深度;
关于可以改进的地方,活血可以提出一种新的特征能够同时用于关键点检测和人脸检测,另外,在级联过程中,也没有用到像adaboost那样不断更新样本的权重。
暂时还没明确的idea。