22、热成像人脸检测与模糊线性回归模型集成方法研究

热成像人脸检测与模糊线性回归模型集成方法研究

1. 热成像人脸检测实验结果

1.1 实验目的与参数设置

为了验证所选探测器在静态场景人脸检测任务中的有效性，进行了多项实验。实验涉及不同参数的训练探测器，主要参数如下表所示：
| 探测器 | 最小窗口大小 | 最大窗口大小 | 缩放因子 | 邻居数量 |
| — | — | — | — | — |
| Haar/HOG/LBP | 16 × 16 | 360 × 360 | 1.02 | 2 |
| HOG+MMOD | 40 × 40 | 80 × 80 | 1.2 | - |
| DNN | 40 × 40 | 200 × 200 | 1.2 | - |

实验旨在综合考虑人脸检测率（精度和召回率）以及结果的稳定性，选出最佳分类器。为使结果更客观，实验 1 计算了精度和召回指标的加权平均值（权重与测试图像数量相关），实验 2 计算了未加权平均值。

1.2 实验结果分析

从实验结果表（表 5 和表 6）可以看出，静态场景中的人脸检测结果因基准数据集而异。对于较简单的图像，检测率非常高（几乎完美），但对于“野外”拍摄的图像，检测率会下降。
- 精度优先情况 ：当安全是首要考虑因素时，应将精度作为主要指标。在这种情况下，DNN 和 HOG+MMOD 表现最佳，因为它们检测到的人脸在后续处理阶段更有可能被成功识别。
- 召回优先情况 ：如果希望探测器能定位大多数人脸，召回率更为重要。此时，基于级联 AdaBoost 策略的所有探测器是首选，不过这些