使用HOG+SVM进行人脸检测

一、实验内容

1. 利用特征训练一个分类器（SVM）
2. 按照sliding window思想编写代码，提取HOG并生成候选框；
3. 使用分类器进行分类（Scoring each proposal）
4. 编写非极大值抑制算法，去除一些置信度较低的候选框， 得到预测结果，实现人脸检测。
5. 对实验结果进行分析。

二、实验原理

2.1 图片的HOG特征

概念：HOG，方向梯度直方图，是常用的一种目标检测的特征描述子。

提取流程：检测窗口、归一化图像、计算梯度、统计直方图、梯度直方图归一化、得到HOG特征向量。

检测窗口：HOG的检测窗口称为window，每个window包括几个块block，每个块是由细胞cell组成的，具体如下图所示：

图 1 HOG检测窗口的划分

黑色表示窗口的划分，蓝色表示块的划分，黄色表示细胞的划分。其中每个cell静止不动计算每个像素的方向梯度，block和window滑窗移动，实现不同区域的检测。

归一化图像：这一步的目的是减少光照因素影响，将整个图像进行一个归一化，分为Gamma空间和颜色空间归一化，可以避免在图像的纹理强度中，局部的表层曝光贡献度的比重较大的情况。其中gamma值可以根据效果修改，代码中默认为0.5。

计算梯度：计算图像的水平和竖直方向的梯度，并根据横纵坐标的梯度，计算整体梯度方向，可以参考平面直角坐标系中斜率的计算。代码中可以使用Sobel算子进行卷积计算，再得到tan值。

构建梯度直方图：梯度直方图是在cell层级进行构建的，横坐标的区间称为bins，若bins为9，则将180°等分为9个区间，每个区间横跨20°，先判断像素点梯度方向所属的区间，再根据像素点的梯度值和方向大小进行加权统计，可用线性加权、平方根等各种加权方法。

直方图归一化：在block一层，对每个cell进行颜色、亮度的归一化，去掉光影、阴影的影响。

得到特征向量：通过滑窗，将提取到的HOG特征首尾相连，形成一个大的一维向量，就是最后得到的特征向量。

2.2 非极大值抑制（NMS）

概念：NMS，非极大值抑制，原理是找到所有局部最大值，并抑制非局部最大值。

目标检测推理的过程中会产生很多的候选检测框，很多检测框都是检测同一个目标，导致候选框之间的重叠部分过多，这时使用非极大值抑制可以找出局部最优的框，去掉重复部分。

算法流程：根据置信度得分进行排序、选择置信度最高的候选框加入到最终结果列表，并在候选框中删除、计算所有边界框的面积、计算置信度边界框与其余边界框的IoU、删除大于阈值的候选框，直至候选集为空。

IoU：交并比，计算两个边框交集和并集的比值，可参考下图：

图 2 IoU计算示意图

PS：图片来自博客：目标检测之 IoU_黑暗星球的博客-CSDN博客_目标检测iou

三、实验结果与分析

3.1 实验流程与结果数据

使用HOG特征+SVM分类器进行人脸检测。

流程为：构建负例数据集、提取图像HOG特征、训练SVM分类器、人脸检测。

3.1.1 构建负例数据集

实验使用的数据集是RAF-DB的子集，有原图、人脸裁剪图、检测边界框，但无负例图片，需要使用原图和边界框log文件构建非人脸图片，核心代码如下：

1. def build_neg_img(original_folder, box_folder, output_folder):
2.     mkdir(output_folder)
3.     for filename in tqdm(os.listdir(original_folder)):
4.         original_img = cv2.imread(original_folder + "\\" + filename)
5.         axis_list = get_box(box_folder, filename)
6.         # 设边界框的左上角为M点，右下角为N点，图片的原点位于左上角，x轴向右为正方向，y轴向下为正方向
7.         Mx = axis_list[0]
8.         My = axis_list[1]
9.         Nx = axis_list[2]
10.         Ny = axis_list[3]
11.         box_width = Nx - Mx
12.         box_height = Ny - My
13.         # 与人脸边界框错开构建负例图像，左上角起始点为K
14.         if Mx - box_width >= 0:
15.             # 在边界框左侧框选同样大小的负例框
16.             Kx = Mx - box_width
17.             Ky = My
18.         elif My - box_height >= 0:
19.             # 在边界框上方选同样大小的负例框
20.             Kx = Mx
21.             Ky = My - box_height
22.         else:
23.