论文《FDDB: A Benchmark for Face Detection in Unconstrained Settings》导读

本文主要是介绍论文《FDDB: A Benchmark for Face Detection in Unconstrained Settings》导读，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

说到人脸检测，就要谈一谈FDDB，FDDB提供了人脸检测的一个标准，其检测结果可以作为业界内的一个标杆，关于FDDB的具体标准，在该论文中有详细叙述，在此记录下我的解读。

该论文共有八个章节和俩个附录，结构明晰内容清楚，接下来分章节解读论文内容：

第一章节提出了人脸检测的现状，也就是缺乏标准，各家各说各的好，但没有标准，也就没有比较，FDDB应运而生。

该节首先点评了一下各个公共人脸数据集的不足之处，主要问题是数据集单一，缺乏多样性，接下来指出FDDB是如何有多样性。

共有2845张图片包含5171张人脸；
包含遮挡、多角度、低分辨率以及失焦人脸；
人脸区域指定为椭圆形；
包含彩色和灰度图像。

接下来指出了现今打分标准的不同一，并给出了自己的打分标准与方法（该打分标准是指根据标注，对人脸检测结果打分），其包含如下几个部分。

该算法可以找出人脸检测出的区域和标准区域之间的联系；
俩套独立的打分标准用于应对不同的应用场景；
实现源码

第二章节比较了几种人脸检测方法并指出自己用了哪种，几种方法如下所示：

单一角度人脸检测，只支持单人脸且正向镜头的人脸检测；
面内角度的人脸检测，即可以有一定的角度倾斜；
面外角度的人脸检测，不过需要与预先定义的角度相关联才支持；
对人脸角度无规定，即没有约束。

FDDB采用的是第四种，也说明了FDDB支持更复杂的更具挑战性的人脸检测算法。

关于标准区域，相比较于矩形人脸区域，FDDB提出了一种椭圆的人脸标注区域，相比较于矩形，该标注方法更加契合人脸形状，而且表示也很简便（只比矩形多一个参数），另外，用该种方法还标注了关键点定位和人脸角度等更多的信息，这也许会成为下一代的人脸检测算法评价标准之一。

第三章节指出了FDDB人脸数据集的来源和成分。

FDDB来源于Faces in the Wild 人脸数据集，该数据集采集于新闻网站，所以其数据集存在一定的重复性，FDDB对该数据集进行了去重处理，之后进行椭圆人脸标准，之后获得的就是FDDB数据集。如下图所示：

第四章节介绍了去重检测过程，其核心算法是随机 attribute relational graph (ARG)匹配［D.-Q. Zhang and S.-F. Chang. Detecting image near- duplicate by stochastic attributed relational graph matching with learning. In ACM International Conference on Multi- media, pages 877–884, 2004. ］，该方法通对图像抽象分区然后选取一些点来对这些区域进行检测（建议了解一下ARG），针对俩张不同的图片会产生一个得分，经实验该方法可以得到一个较高的召回率用于检测重复图像。

为了保证有较高的召回率的同时还能有一个不错的准确率，采取了一种迭代的方法用于去重，该算法如下所示：

第一步就是生成一个图，图的节点就是所有图像，边就是用上面ARG算法计算俩张图所得的一个值，在循环里，主要讲第三到五步，

3-5是谱聚类方法［On spectral clustering: Analysis and an algorithm. ］，通过该方法可以对该图分组，对分组结果进行标注，uniform指一组相似图片，non-uniform指至少有一对图像是不同的，对uniform图像，选取其中一个图像替代该组图像，之后更新图，迭代循环，直到没有重复图片可以去除为止。

通过该方法，可以有效去除图库中的重复图片，接下来讲的是图片标柱方法。

第五章节FDDB所使用的椭圆人脸检测方法，该方法在附录1中有详细说明，在这之中的困难就是图像质量的判定，因为人脸图片环境复杂，存在着多种的干扰因素，比如低分辨率，遮挡和人脸角度等。一种方法是根据图像质量进行打分，然后根据分值剔除一部分图像，但是因为难以建立一个合适的打分标准，FDDB并没有采取这种方法，而是采用了人眼判别的方法，为了保证公正性，选取了多人进行标注，标注依据就是附录A中的标注指南，对于双眼都不可见的，难以判定其角度、方向、尺寸的人脸都予以剔除。

第六章节指出了其评估标准，主要有俩点，第一点就是打分方式，如下所示：