計(jì)算機(jī)視覺應(yīng)用開發(fā)課件：人臉檢測(cè)

人臉檢測(cè)人臉檢測(cè)概述01任務(wù)人臉檢測(cè)方法02任務(wù)人臉檢測(cè)評(píng)價(jià)指標(biāo)03任務(wù)學(xué)習(xí)目標(biāo)掌握人臉檢測(cè)的基本概念掌握人臉檢測(cè)的方法掌握人臉檢測(cè)的評(píng)價(jià)指標(biāo)1人臉檢測(cè)概述1人臉檢測(cè)概述從問題的領(lǐng)域來看，人臉檢測(cè)屬于目標(biāo)檢測(cè)領(lǐng)域，目標(biāo)檢測(cè)通常有兩大類：通用目標(biāo)檢測(cè)：檢測(cè)圖像中多個(gè)類別的目標(biāo)，比如ILSVRC2017的VID任務(wù)檢測(cè)200類目標(biāo)，VOC2012檢測(cè)20類目標(biāo)，通用目標(biāo)檢測(cè)核心是n(目標(biāo))+1(背景)=n+1分類問題。這類檢測(cè)通常模型比較大，速度較慢。特定類別目標(biāo)檢測(cè)：僅檢測(cè)圖像中某一類特定目標(biāo)，如人臉檢測(cè)，行人檢測(cè)，車輛檢測(cè)等等，特定類別目標(biāo)檢測(cè)核心是1(目標(biāo))+1(背景)=2分類問題。這類檢測(cè)通常模型比較小，速度要求非常高。從發(fā)展歷史來看，深度學(xué)習(xí)在其中的作用非常明顯：非深度學(xué)習(xí)階段：此階段的人臉檢測(cè)主要有兩個(gè)應(yīng)用于人臉的特征，Haar特征和Hog特征，提取特征后在由分類器分類。深度學(xué)習(xí)階段：和目標(biāo)檢測(cè)相同，應(yīng)用于目標(biāo)檢測(cè)的算法也適用于人臉檢測(cè)。2人臉檢測(cè)方法人臉檢測(cè)方法機(jī)器學(xué)習(xí)中基于Haar特征和Hog特征實(shí)現(xiàn)人臉檢測(cè)任務(wù)2Haar特征：也稱Haar-like特征，分為四類：邊緣特征、線性特征、中心特征和對(duì)角線特征，組合為特征模板。特征模板內(nèi)有白色和黑色兩種矩形，并定義該模板的特征值為白色矩形像素和減去黑色矩形像素和。但矩形特征只對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對(duì)角）的結(jié)構(gòu)。通過改變特征模板的大小和位置，可在圖像子窗口中窮舉出大量的特征。矩形特征可位于圖像任意位置，大小也可以任意改變，所以矩形特征值是受矩形模版類別、矩形位置和矩形大小這三個(gè)因素的影響。故類別、大小和位置的變化，使得很小的檢測(cè)窗口含有非常多的矩形特征。人臉檢測(cè)方法2但矩形特征只對(duì)一些簡(jiǎn)單的圖形結(jié)構(gòu)，如邊緣、線段較敏感，所以只能描述特定走向（水平、垂直、對(duì)角）的結(jié)構(gòu)。對(duì)于圖中的A,B和D這類特征，特征數(shù)值計(jì)算公式為：

。而對(duì)于C來說，計(jì)算公式如下：

，之所以將黑色區(qū)域像素和乘以2，是為了使兩種矩形區(qū)域中像素?cái)?shù)目一致。通常希望矩形放到人臉區(qū)域計(jì)算出來的特征值和放到非人臉區(qū)域計(jì)算出來的特征值差別越大越好，這樣就可以用來區(qū)分人臉和非人臉。人臉檢測(cè)方法2通過改變特征模板的大小和位置，可在圖像子窗口中窮舉出大量的特征。上圖的特征模板稱為“特征原型”，特征原型在圖像子窗口中擴(kuò)展（平移伸縮）得到的特征稱為“矩形特征”，矩形特征的值稱為“特征值”。圖中即使用兩個(gè)Haar矩形特征，表示出人臉的某些特征。比如中間一幅表示眼睛區(qū)域的顏色比臉頰區(qū)域的顏色深，右邊一幅表示鼻梁兩側(cè)比鼻梁的顏色要深。同樣，其他目標(biāo)，如眼睛等，也可以用一些矩形特征來表示。使用特征比單純地使用像素點(diǎn)具有很大的優(yōu)越性，并且速度更快。人臉檢測(cè)方法2Hog特征：Hog特征又叫方向梯度直方圖特征（HistogramofOrientedGradient,HOG）。Hog特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測(cè)的特征描述子。它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。優(yōu)點(diǎn)：（1）由于HOG是在圖像的局部方格單元上操作，所以它對(duì)圖像幾何和光學(xué)的形變都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。（2）在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化等條件下，只要行人大體上能夠保持直立的姿勢(shì)，可以容許行人有一些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果。因此HOG特征是特別適合于做圖像中的人體檢測(cè)的。人臉檢測(cè)方法2HOG特征提取方法就是將一個(gè)image（你要檢測(cè)的目標(biāo)或者掃描窗口）：（1）灰度化（將圖像看作一個(gè)x,y,z（灰度）的三維圖像）；（2）采用Gamma校正法對(duì)輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化），目的是調(diào)節(jié)圖像的對(duì)比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；（3）計(jì)算圖像每個(gè)像素的梯度（包括大小和方向），主要是為了捕獲輪廓信息，同時(shí)進(jìn)一步弱化光照的干擾；（4）將圖像劃分成小cells（例如6×6像素/cell）；（5）統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)），即可形成每個(gè)cell的descriptor；（6）將每幾個(gè)cell組成一個(gè)block（例如3×3個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor；（7）將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（要檢測(cè)的目標(biāo)）的HOG特征descriptor了。這個(gè)就是最終的可供分類使用的特征向量了。3人臉檢測(cè)的評(píng)價(jià)指標(biāo)人臉檢測(cè)的評(píng)價(jià)指標(biāo)3評(píng)價(jià)人臉檢測(cè)效果的好壞，常用三個(gè)指標(biāo)：召回率，誤檢數(shù)和檢測(cè)速度。召回率(recall)：檢測(cè)器能檢測(cè)出來的人臉數(shù)量的比例就是召回率recall。檢測(cè)器檢測(cè)出來的矩形框越接近人工標(biāo)注的矩形框，說明檢測(cè)結(jié)果越好，通常交并比IoU大于0.5就認(rèn)為是檢測(cè)出來了，所以recall=檢測(cè)出來的人臉數(shù)量/圖像中總?cè)四様?shù)量，其中交并比IoU=框與框的交集區(qū)域/框與框的并集區(qū)域。誤檢數(shù)(falsepositives)：通常用檢測(cè)錯(cuò)誤的絕對(duì)數(shù)量作為誤檢數(shù)falsepositives指標(biāo)。與recall相對(duì)，檢測(cè)器檢測(cè)出來的矩形框與任何人工標(biāo)注框的IoU都小于0.5，則認(rèn)為這個(gè)檢