Abstract
为了解决基于特征的检测方法不能有效迅速地检测较大差异的外表,本文借用通道特征的概念,将图像通道扩展为梯度幅值和梯度方向直方图,把丰富的信息用一种简单的方式表达,称其为聚合通道特征(ACF)。为了处理自然状态下的脸部多表情,提出了一种多视图检测方法(重新排序特征分数以及调整检测)
- 过去十年,提出的最具影响的脸部检测算法应该是
VJ框架
。
VJ框架使用矩形Haar特征并且采用基于Adaboost的分类器学习算法(用此选择特征并进行学习,将弱分类器组合成强分类器)。同时将Adaboost构建的强分类器进行cascade级联可以达到实时检测。
VJ框架产生了很多子领域/方法,主要从两方面入手:①更复杂的特征,②更强的学习算法。boosting 和 级联(cascade)的算法架构已经证明了(在人脸检测领域)有效。目前主要的瓶颈是在特征表达,需要耗费很大的计算代价才能换来有限的性能提升。之后的行人检测领域中,通道特征已经实现较好性能。通道特征计算原始图像的特定映射(如梯度幅值和梯度方向直方图),提取这些扩展通道上的特征,分类器学习过程沿用了VJ框架。 - 本文提出了一种通道特征的变形体,即
聚合通道特征
,可以对特征通道上的像素值降采样。扩展通道可以提供丰富的特征表达,另一方面简单特征可以保证计算较快。
通过对通道类型,特征