提高人脸检测性能新模型HPM

1：一种人脸检测、姿势估计、标记估计的统一模型

这个要从 CVPR 2012上获得Google student paper award的一篇Paper说起，即《Face Detection, Pose Estimation, and Landmark Localization in the Wild》，具体摘要如下。

该文针对真实环境中的杂乱图像，提出了一种人脸检测、姿势估计、标记估计的统一模型。该模型基于一种混合树结构模型的算法，树之间有部分共享池。 该模型根据不同的视角采用全局的混合来获取拓扑改变。树结构模型在获取全局弹性变形上有令人惊讶的效果，可以很容易的优化不同密度的图结构。该文提供了在 标准人脸benchmark上的扩展结果，同样在一个新的真实环境注解的数据集上也进行了验证。实验结果证实了该系统，在三个任务（人脸探测、姿势估计、 标记定位）都优于当前的最好结果。尽管该模型是采用成百上千的人脸训练出来的，但结果不亚于（compare favourably with）由数十亿级别样本训练出来的商业系统（例如Google Picasa和face.com)。

上图：我们的混合树模型将不同视角的拓扑变化进行了编码。红线表示成对部分跳变；注意这里是没有闭环的，保持树的属性。所有的树利用了一个公用的部分模版的共享池，可以形成有效的学习和推理。

Paper、Slide下载

代码和数据集下载：

更多原始资料， Project： http://www.ics.uci.edu/~xzhu/face/

2: HPM模型

遮挡物对目标识别的准确性有较大的影响。无论如何，典型的遮挡被当做各种非结构的噪声源，对于遮挡物的显式模型落后于目标表面和形状的建模。本文 我们描述了一种级联可变形部件模型（HPM：hierarchical deformable part model)来进行人脸探测和关键点定位，该模型显式的对部分遮挡进行了建模。提出的模型结构通过用大量合成的遮挡物来扩展正训练样本，这允许我们很容易 的将遮挡模式统计融入到一种特殊的训练模型中。

我们在几个benchmarks中进行了测试，关键点定位和探测，也包括竞赛数据集。我们发现一个遮挡的显式模型的添加，使得系统性能优于现存的方法。

上图：我们的模型包含三个部分（黑圈），其中每个部分都连接一组关键点（绿色或者红色）在一个星状拓扑中。此处的用例模版，对应不同的部件形状和 遮挡模式。红色表示遮挡的关键点。形状参数独立于遮挡状态。关键点外观是用小的Hog模版来建模（第二行），遮挡的关键点是限制为一个设置为0的模版。注 意本模型如何产生一个广范围的形状结构和遮挡模式.

上图：虚拟的正样本是通过合成产生的，从一个完全可见的训练样本开始，随机选择相干遮挡模式。

上图：标记定位和遮挡估计的结果，图片来自HELEN（第一行）和COFW（第二行）数据集。红色表示被HPM算法预测为被遮挡的关键点

上图：在连续-ROC FDDB benchmark测试集中。多分辨HPM是通过正脸数据集进行训练的，而这个数据集有很多侧脸的测试数据。与当前最好的基于正脸和侧脸训练数据的检测方法相比，本文的模型展现了有竞争力的性能结果。

相关Paper和Code下载：

1）[cvpr14] Occlusion Coherence Localizing Occluded Faces with a Hierarchical Deformable Part Model

2）G. Ghiasi, C. Fowlkes, “Occlusion Coherence: Detecting and Localizing Occluded Faces”, Technical Report, June 2015  arXiv:1506.08347 [pdf] [code] [dataset]