16、热脸检测：挑战与评估

热脸检测：挑战与评估

1. 热脸检测基础分析

在热脸检测中，使用热图像训练的级联分类器与预训练级联分类器相比，具有更高RG（区域重叠率）和RD（区域检测率）的图像数量显著增加。在IIITD数据集中，每张图像至少能检测到一个人脸矩形；而在ND数据集中，有6.41%的图像未检测到人脸矩形。这表明使用热图像进行训练有助于提高人脸检测结果，但仍有改进空间，目前仅约60%的图像能较好地检测到人脸。

2. 提升人脸检测性能的方法

2.1 从组合数据集学习级联模型

为了进一步提高人脸检测性能，可以使用包含大量变化的数据来学习模型。具体操作是将IIITD数据集的307张图像和ND数据集的159张图像组合作为训练集，使用LBP特征训练级联AdaBoost模型。
- 无预处理和LBP特征 ：实验结果显示，在正确检测（RG > 0.7且RD > 0.7）方面有显著提升，IIITD和ND数据集分别提高了2%和3%，未检测到的人脸数量也显著减少。
- 直方图均衡化与LBP特征 ：为了减少两个数据库图像之间的差异，应用图像直方图均衡化。在对图像进行直方图均衡化预处理后获取LBP特征，性能有轻微提升，两个数据集的检测率均达到0.65。
- 直方图均衡化与Haar特征 ：在这个组合训练集上，还评估了经过直方图均衡化预处理的Haar级联的有效性。使用从直方图均衡化图像中获得的Haar特征学习级联AdaBoost模型。结果表明，在给定场景下，经过直方图均衡化预处理的Haar级联表现更好，IIITD和ND数据集的检测率分别进一步提高到0