人臉檢測（detection）與人臉校準（alignment）

由於個人想做一下人臉角度識別，但能夠找到的比較好的model是於仕祺大神的facedetection，奈何大神的版本只有Windows下的連結庫，Ubuntu下使用不了，所以就基於人臉識別與人臉校準自己寫一個角度識別的程式碼。其基本思想是通過人眼睛、鼻子、嘴巴的傾斜位置與人臉正中線角度進行比較，能夠粗略計算出人臉的yaw與pitch角，並且基於Kinect2的深度資訊，可以大概讀取到人臉距離Kinect2的距離資訊。
人臉檢測（detection）在opencv中早就有直接能拿來用的haar分類器，基於Viola-Jones演算法。這裡介紹一種MSRA在14年的最新技術：Joint Cascade Face Detection and Alignment（ECCV14)。這篇文章直接在30ms的時間裡把detection和alignment都給做了，PR曲線彪到很高，時效性高，記憶體佔用卻非常低，在一些庫上虐了Face++和Google Picasa。
人臉校準（alignment）是給你一張臉，你給我找出我需要的特徵點的位置，比如鼻子左側，鼻孔下側，瞳孔位置，上嘴脣下側等等點的位置。
下面是Joint Cascade Face Detection and Alignment的結構圖：

作者建立了一個叫post classifier的分類器，方法如下：

1.樣本準備：首先作者呼叫opencv的Viola-Jones分類器，將recal閥值設到99%，這樣能夠儘可能地檢測出所有的臉，但是同時也會有非常多的不是臉的東東被檢測出來。於是，檢測出來的框框們被分成了兩類：是臉和不是臉。這些圖片被resize到96*96。

2.特徵提取：接下來是特徵提取，作者採用了三種方法：

第一種：把window劃分成6*6個小windows，分別提取SIFT特徵，然後連線著36個sift特徵向量成為影像的特徵。
第二種：先求出一個固定的臉的平均shape（27個特徵點的位置，比如眼睛左邊，嘴脣右邊等等），然後以這27個特徵點為中心提取sift特徵，然後連線後作為特徵。
第三種：用他們組去年的另一個成果Face Alignment at 3000 FPS via Regressing Local Binary Features (CVPR14) ，也就是圖中的3000FPS方法，迴歸出每張臉的shape，然後再以每張臉自己的27個shape points為中心做sift，然後連線得到特徵。

3.分類：將上述的三種特徵分別扔到線性SVM中做分類，訓練出一個能分辨一張圖是不是臉的SVM模型。

參考部落格：
http://www.cnblogs.com/sciencefans/p/4394861.html