论文笔记：Aggregate Channel Features for Multi-view Face Detection

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