沈繼鋒　時士偉　左　欣　徐　丹

(1.江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江，212013； 2.江蘇科技大學(xué)計算機(jī)科學(xué)與工程學(xué)院，鎮(zhèn)江，212013)

引　　言

作為人臉信息處理中的一項關(guān)鍵技術(shù)，人臉檢測的研究近年來已成為模式識別與計算機(jī)視覺領(lǐng)域內(nèi)一項備受關(guān)注和重視的課題。

人臉檢測源于人臉識別，且是自動人臉識別系統(tǒng)中的一個關(guān)鍵環(huán)節(jié)。作為近幾年最有潛力的生物身份驗證手段，人臉自動識別系統(tǒng)要求對一般的圖像有著更強(qiáng)的適應(yīng)性，這也催生了人臉檢測作為一項獨立的課題被研究。如今，該課題的應(yīng)用背景已遠(yuǎn)遠(yuǎn)超出了人臉識別系統(tǒng)的范疇，在基于內(nèi)容的檢索、數(shù)字視頻處理、視頻檢測和人機(jī)交互等方面都有著廣泛的應(yīng)用前景[1-7]。雖然如此，由于人臉的非剛性結(jié)構(gòu)，表情、背景、姿態(tài)、光照及遮擋等都會造成巨大的表象變化，影響人臉檢測的效果。所以如何選擇有著極強(qiáng)判別力的特征和能夠快速構(gòu)造分類器的算法是當(dāng)前人臉檢測技術(shù)研究的重點。

人臉檢測的方法主要分為4大類[1]：基于知識的方法，基于特征的方法，基于模板的方法和基于表觀的方法。其中基于表觀的方法利用了統(tǒng)計和機(jī)器學(xué)習(xí)技術(shù)，效果較好[2]?；诒碛^方法的早期研究主要集中于單分類器方面的研究，包括神經(jīng)網(wǎng)絡(luò)[3]，支持向量機(jī)[4]，稀疏網(wǎng)絡(luò)[8]，貝葉斯分類器[9]等。Viola和Jones于2001年提出了基于Adaboost的集成分類器人臉檢測算法[10]，此后該算法在計算機(jī)視覺領(lǐng)域受到了極大地關(guān)注，并成為了人臉檢測的主流算法。該算法也是目前最快的人臉檢測方法，它首先通過積分圖快速計算特征，然后采用Adaboost學(xué)習(xí)算法從龐大的過完備特征集中選擇具有強(qiáng)判別能力的特征子集，最后使用級聯(lián)技術(shù)，使得分類器能在早期就將90%以上的非人臉區(qū)域快速排除。這種基于Boosting算法的檢測方法第一次實現(xiàn)了實時的人臉檢測，成為了具有里程碑意義的研究。在此基礎(chǔ)上后續(xù)的改進(jìn)方法主要存在于以下幾個方面：基于訓(xùn)練樣本的選擇[11]，基于Haarlike特征(以下簡稱HF)的表示[12]，基于Boosting算法的改進(jìn)[13]及基于集成學(xué)習(xí)框架的優(yōu)化[14-15]。其中，45°旋轉(zhuǎn)HF[12]，分離HF[16]，疏粒度特征[17]，局部二值模式(Local binary pattern，LBP)特征[18]等特征表示方法都是對HF[19]進(jìn)行了改進(jìn)，然而這些方法都未體現(xiàn)正負(fù)樣本的分布信息，因此判別能力相對較弱；改進(jìn)的Boosting方法主要有RealAdaboost[10]，LogitBoost[10]和GentleBoost[10]等，這些方法利用連續(xù)置信閾值代替離散閾值，提高了Boosting算法的分類能力，但都存在忽略正負(fù)樣本的分布非平衡性等問題。最近有學(xué)者提出了積分通道特征(Integral channel feature，ICF)[20]用于檢測行人，該特征通過提取不同的顏色通道和形狀通道信息來描述行人，提高了檢測精度。在ICF特征的基礎(chǔ)上，該學(xué)者又提出了聚合通道特征(Aggregate channel features，ACF)[21]，雖然和ICF使用相同的通道特征，但是檢測器的候選特征提取方法有所不同，ACF通過縮小多通道圖的尺寸提高了對噪聲的魯棒性。ACF最近又被用于多視角人臉檢測[22]， 取得了較好的結(jié)果。

本文在此基礎(chǔ)上, 提出一種基于多通道圖增強(qiáng)HAAR特征的多視角人臉檢測算法。該算法首先在多通道圖中利用正負(fù)樣本學(xué)習(xí)判別投影的增強(qiáng)HAAR特征，提高了特征的判別能力。然后將該特征在正負(fù)樣本的響應(yīng)輸入非對稱線性分類器，利用正樣本分布近似高斯分布的特性和正負(fù)樣本分布的不平衡性，得到最優(yōu)的非對稱線性分類器。實驗結(jié)果表明該方法有較好的檢測效果和較快的檢測速度。

1　相關(guān)特征

1. 1多通道圖

假設(shè)輸入圖像為I，通道函數(shù)為Ω，則通道圖可以表示為Ci=Ωi(I)，i=1,2,…,n。其中Ci為圖像I的第i個通道，Ωi為通道圖i的生成函數(shù)。通道函數(shù)可以是線性函數(shù)，如圖像I的灰度圖；也可以是非線性函數(shù)，如圖像I的梯度圖。常見的通道圖，包括灰度圖和各種顏色空間圖、邊緣圖、梯度直方圖和LBP圖等。圖1顯示了常見的11種通道特征圖像。

圖1　人臉圖像的多通道圖(第1行從左至右分別為：原圖、梯度幅值、LUV、LBP；第2行：6個量化角度的梯度圖)Fig.1　Multi-channel maps of human face image(First line from left to right: Original, gradient amplitude, LUV, and LBP; Second line: Six-quantitative-angle gradient maps)

而在實際應(yīng)用中，通常選擇LUV色彩通道、量化梯度角度圖通道和梯度幅值通道組成10通道特征。這些通道計算量較小，且具有較好的特征表達(dá)能力。從圖1可以看出，不同角度的梯度圖反映了圖像中的方向信息，與Gabor濾波器相比有類似之處，LBP圖像代表人臉的紋理信息，而不同的顏色空間可以體現(xiàn)著人臉區(qū)域的顏色一致性信息。

1.2　聚合通道特征

ACF[21]是多通道圖的改進(jìn)版本，同樣需要計算10個通道特征，但是ACF對多通道圖進(jìn)行了降采樣處理。首先輸入人臉彩色圖像，然后通過圖像平滑去噪聲，再提取多通道圖；其次對多通道圖進(jìn)行降采樣。例如80像素×80像素的人臉多通道圖，每隔4像素進(jìn)行降采樣，把原有的10個通道圖縮放為原來的1/4。降采樣操作具有兩個優(yōu)點：(1)降低了圖像標(biāo)注的歧義性；(2)提高了特征對噪聲的抗干擾能力。最后將降采樣后多通道圖中的所有通道連接成特征向量。具體流程如圖2所示。

圖2　ACF的特征提取過程Fig.2　Feature extraction process of ACF

1.3　HAAR特征

傳統(tǒng)的HAAR特征(如圖3(a)所示)分別定義了垂直、水平與對角方向相鄰矩形區(qū)域內(nèi)像素平均灰度值的差異，并使用該差異作為特征來區(qū)分人臉和非人臉。文獻(xiàn)[12]將HF進(jìn)行45°旋轉(zhuǎn)，提出了一種擴(kuò)展的HF，應(yīng)用到人臉檢測方面，提高了檢測率。文獻(xiàn)[16]提出了一種不鄰接的HF(如圖3(b)所示)，在檢測側(cè)面人臉方面取得了較好的效果。HAAR特征具有速度快、簡單易實現(xiàn)的特點，然而HAAR特征具有較弱的判別能力，尤其在Boosting訓(xùn)練的后期，層級分類器需要使用幾百個HAAR特征來達(dá)到特定的檢測率。

2　判別投影HAARlike特征

通過計算人臉樣本多通道圖的平均臉(圖4)，不難發(fā)現(xiàn)每個通道具有明顯的結(jié)構(gòu)信息，比如第4個通道和第8個通道的結(jié)構(gòu)信息尤為明顯，而HAAR特征能夠刻畫這種亮度變化信息。

圖4　10通道正面視角平均臉Fig.4　Average face from front view of ten channels

假設(shè)從另一角度來看待HAAR特征，它可以被視為一個二維特征向量在特定方向的投影過程，該過程可以定義為

(1)

式中:wi表示第i個矩形區(qū)域的權(quán)值，μi表示第i個矩形區(qū)域內(nèi)的平均特征值，k表示矩形區(qū)域總數(shù)。如圖3(a)所示，當(dāng)k=2,w=(1,-1)時，f就退化為二維HAAR特征。圖3(a)中的HF可以視作投影方向為(-1,1)T，(1,-2,1)T，(1,-1,1,-1)T的HF。

為了研究不同投影方向?qū)?yīng)HAAR特征判別能力的影響，圖5展示了5 000個人臉樣本和20 000非人臉樣本在某HF下的散點分布圖，其中橫坐標(biāo)μ1和縱坐標(biāo)μ2，分別表示HAAR特征的黑色區(qū)域與白色區(qū)域的歸一化灰度平均值。從圖5(a)中可以看出正樣本分布集中呈橢球狀，位于直線u2=u1的左側(cè)，而圖5(b)中的負(fù)樣本分布比較分散，位于直線u2=u1的兩側(cè)附近。

從圖(5)可以看出，特征投影會直接影響HAAR特征的判別能力，而提高判別能力的關(guān)鍵在于尋找一個最優(yōu)的投影方向，使其具有最佳的分類效果和泛化能力，即尋找具有最大Margin的投影方向。針對該問題，本文提出一種判別投影HAAR特征(Pooling haar feature，PHF)，該特征使用Fisher判別分析(Fisher discriminative analysis, FDA)方法學(xué)習(xí)最優(yōu)投影向量wopt，該投影向量可以通過求解目標(biāo)函數(shù)wopt得到

(2)

圖5　人臉和非人臉樣本分布散點圖Fig.5　Distribution scatter plot of face and non face samples

假設(shè)用N，W，H分別表示樣本總個數(shù)，圖像寬度和高度。Sb為類間離散度矩陣，計算時間復(fù)雜度為O(10×N×W×H)。Sw為類內(nèi)離散度矩陣，計算時間復(fù)雜度為O(10×N×(N×W×H))。本文中，N取50 000，W和H相等，都取值80?？臻g復(fù)雜度一般是用訓(xùn)練樣本和測試樣本所占的內(nèi)存來表示的。每個像素是浮點型，占4個字節(jié)，一張多通道訓(xùn)練樣本圖像是80×80×10，約為256 KB，而訓(xùn)練樣本為50 000張圖像，大概占12.8 GB內(nèi)存，測試樣本約占3.14 GB內(nèi)存，在普通電腦上完全可以運行檢測器。

3　線性非對稱分類器

(3)

式中：H(z)=δ(aTx≥b)，δ為狄拉克函數(shù)，a為線性分類器系數(shù)向量，b為閾值標(biāo)量，β為最小誤判率閾值。求解目標(biāo)函數(shù)式(3)首先對b消元，轉(zhuǎn)化為

(4)

最后利用樣本近似服從高斯分布假設(shè)，概率的累積分布函數(shù)的單調(diào)性和樣本分布中值接近均值的性質(zhì)，最終將式(4)轉(zhuǎn)化為求解如下等價問題

(5)

由式(5)優(yōu)化形式和FDA的相似性，可以得出封閉解

(6)

式中Σx為半正定矩陣，然而為了保證Σx正定，一般加上一個小的正偏置λ，即Σx+λI。具體推導(dǎo)過程參見文獻(xiàn)[23]。

由此可見，LAC方法利用正樣本分布的近似高斯特性和負(fù)樣本分布的對稱性，通過優(yōu)化目標(biāo)函數(shù)式(3)來構(gòu)建最優(yōu)非對稱線性分類器。該方法直接利用樣本特征的均值向量和協(xié)方差矩陣來計算分類器系數(shù)，計算復(fù)雜度低，對訓(xùn)練分類器速度影響較小，同時又有效地提高了分類器性能。

4　基于多通道PHF的非對稱線性級聯(lián)分類器

針對基于HF特征的分類器判別能力較弱及相應(yīng)的強(qiáng)分類器誤判率較高，正負(fù)樣本高度不平衡的缺點，本文提出了一種改進(jìn)的線性非對稱分類器用于多視角人臉檢測框架。利用PHF代替HF特征，可以提高弱分類器對負(fù)樣本的判別能力。利用LAC方法可以構(gòu)建在給定目標(biāo)誤判率下，最優(yōu)的線性分類器。LAC算法訓(xùn)練分類器分為4個步驟，首先利用正負(fù)訓(xùn)練樣本分布信息計算底層ACF特征，其次計算所有的PHF特征，再利用特征選擇器選擇特征，然后利用訓(xùn)練樣本的分布信息計算最優(yōu)弱分類器組合系數(shù)，最后輸出最優(yōu)判別強(qiáng)分類器。本文方法的流程如圖6所示。

圖6　非對稱線性分類器流程圖Fig.6　Flow chart of ALC

本文使用非對稱GentleBoost算法[24]作為特征選擇器。使分類器訓(xùn)練過程中偏向正樣本，從而提高檢測率。因為非對稱Adaboost偏向于正確分類正樣本，該方法將正負(fù)樣本錯分的代價因子引入了損失函數(shù)

J(F)=E[I(y=1)e-yC1F(x)+I(y=-1)e-yC2F(x)]

(7)

式中：F(x)為強(qiáng)分類器；y為樣本類別標(biāo)簽；C1,C2為代價因子。

本文提出的改進(jìn)算法如圖7所示，該算法首先利用樣本分布信息計算底層ACF特征，然后在此基礎(chǔ)上計算所有的PHF特征，再利用非對稱Adaboost算法選擇T個弱分類器{ht},t=1,…,T；同時對每個樣本計算T維特征向量h(xi)；接著計算正負(fù)樣本的特征向量均值和協(xié)方差矩陣，并利用式(6)計算系數(shù)向量a和閾值b。最后輸出強(qiáng)分類器F(x)，當(dāng)F(x)>0時判別x為正樣本，否則為負(fù)樣本。

本文最后使用文獻(xiàn)[10]中的軟級聯(lián)技術(shù)，將訓(xùn)練好的弱分類器進(jìn)行重新學(xué)習(xí)得到每級的閾值，構(gòu)成最終的強(qiáng)分類器。

輸入：

流程：

(1)計算正負(fù)樣本的ACF特征圖；

(2)在ACF特征圖基礎(chǔ)上計算PHF特征；

(3)使用非對稱GentleBoost算法選擇T個弱分類器{ht},t=1,…,T；

(4)fori=1,…,N；

(5)計算每個樣本在所有弱分類器上的響應(yīng)h(xi)=(h1(xi),h2(xi),…,hT(xi))；

(6)計算正負(fù)樣本的均值和方差

(8)輸出強(qiáng)分類器F(x)=sign(aTh(x)-b)。

圖7基于多通道PHF的非對稱線性分類器算法

Fig.7ALC algorithm based on multi channel PHF

5　實驗結(jié)果及分析

5.1實驗設(shè)置

本實驗使用訓(xùn)練樣本來源于AFLW數(shù)據(jù)庫[25],訓(xùn)練圖片尺寸是80像素×80像素，根據(jù)人臉平面外旋轉(zhuǎn)角劃分為[-90°,-60°], [-60°,-30°], [-30°, 0°], [0°, 30°], [30°,60°],[60°,90°]6個視角，平面內(nèi)旋轉(zhuǎn)角(Pitch)和俯仰角(Roll)限制在[-22.5°, 22.5°]區(qū)間。每個視角的正樣本數(shù)目分別為3 726, 4 024, 4 636, 5 069, 4 024和 3 726。強(qiáng)分類器包含的弱分類器總數(shù)為2 048個，一共進(jìn)行3輪的Bootstrap。Bootstrap數(shù)據(jù)通過網(wǎng)絡(luò)隨機(jī)收集了20 000多張不包含人臉的大圖片，用于訓(xùn)練過程中后期負(fù)樣本的補(bǔ)充。本文使用圖3中的基本特征用于生成PHF，采用特征數(shù)目降采樣方法后，最終包含35 409個特征。本實驗運行環(huán)境為DELL T7610服務(wù)器，雙 CPU 16核，2.6 GHz，64 GB內(nèi)存，采用MATLAB+VS2012實現(xiàn)本文實驗的人臉檢測器。檢測器訓(xùn)練過程中采用文獻(xiàn)中的預(yù)計算策略后，消耗時間約為4 h。

為了驗證本文方法的有效性，實驗使用FDDB公開標(biāo)準(zhǔn)測試集進(jìn)行測試。該測試集包含了2 845張圖片，共5 171個正面人臉。該數(shù)據(jù)集包含各種復(fù)雜的環(huán)境因素，如低分辨率、模糊、遮擋和光照變換等，也是當(dāng)前規(guī)模最大的人臉檢測測試數(shù)據(jù)集。

5.2　實驗結(jié)果及分析

本文實驗結(jié)果的ROC曲線如圖8所示，橫坐標(biāo)False positive(負(fù)樣本被錯誤檢測為正樣本的個數(shù))代表誤檢數(shù)目，縱坐標(biāo)True positive rate(正樣本被正確檢測到的概率)代表檢測率。調(diào)整最后一級節(jié)點的閾值得到不同檢測率與相應(yīng)的誤檢數(shù)目。圖8(a)為本文方法和當(dāng)前已有方法在連續(xù)數(shù)據(jù)上的比較。從ROC曲線可看出多通道特征(ACF-ours)比原始haar特征(Viola-Jones)[10]檢測效果好很多。而在多通道基礎(chǔ)上加上原始HAAR特征(ACF-HF-ours)和ACF-ours相比，檢測率高了2%左右，說明了多通道特征加中間層濾波器的有效性。圖中還可以看到本文提出的多通道增強(qiáng)型HAAR特征(ACF-PHF-ours)的檢測率相比ACF-HF-ours高了近4%，這說明改進(jìn)后的HAAR特征檢測效果更好。而和當(dāng)前主流的NPD特征[26]相比，ACF-PHF-ours也高了2%左右的檢測率。而諸如Boosted Exemplar[27]、SURF-frontal/multiview[28]和PEP-Adapt[29]等方法的檢測率已明顯低于本文方法。同時在圖8(b)的離散數(shù)據(jù)ROC曲線上，可看到在誤檢數(shù)目少于250時，本文方法仍有著最好的檢測效果。

圖8　本文方法與相關(guān)算法對比的ROC曲線Fig.8　ROC curves comparison

本文在上面用了直觀易懂的ROC曲線來表示實驗結(jié)果，這里把曲線數(shù)字化，以表格的形式表示各個方法的平均檢測精度，如表1所示。從表中可以看到，誤檢個數(shù)為1時，ACF-HF-ours的正撿率最高，而當(dāng)誤檢個數(shù)變大，可以很清楚看到本文提出的ACF-PHF-ours有著相比之下最高的檢測精度，和ROC曲線一樣，說明了本文方法的有效性。

表1不同算法和誤檢數(shù)目下的正檢率

Tab.1Truepositiverateofdifferentalgorithmsunderdifferentfalsepositivenumbers%

AlgorithmFalsepositivenumber11050100200ACF?PHF?ours50．3073．8080．6682．0182．87ACF?HF?ours60．7473．0080．3381．9082．75ACF?ours21．5053．3072．1173．7274．63NPD60．5572．3176．5077．9779．40XZJY0．807．8051．5467．5173．08BoostedExemplar57．0069．2977．6680．8182．36SURF?multiview49．4969．4379．2180．6081．63

由表1可知本文提出的基于多通道增強(qiáng)型HAAR特征的多視角人臉檢測方法精度高，檢測效果好。圖9為本文方法在FDDB庫上的部分檢測結(jié)果，橢圓顯示的是標(biāo)注信息，方框為本文的檢測結(jié)果。可看出漏檢和誤檢的情況仍少量存在。具體分析，前者是由于人臉平面內(nèi)旋轉(zhuǎn)角度過大、遮擋以及超低分辨率或因拍攝角度等因素造成；而誤檢主要發(fā)生在人臉附近，其原因在于負(fù)樣本中不包含人臉，因此會在部分人臉局部區(qū)域產(chǎn)生誤判。

圖9　FDDB庫上的部分檢測結(jié)果Fig.9　Part of the test results on the FDDB dataset

6　結(jié)束語

本文提出了一種基于多通道圖的判別投影HAAR特征，這是以多通道圖為底層濾波器，在此基礎(chǔ)上加了一種改進(jìn)型的HAAR特征，該特征充分利用了正負(fù)樣本在通道特征空間的臉部結(jié)構(gòu)信息，提高了HAAR特征判別能力。而在分類器算法的選擇上，由于傳統(tǒng)的Adaboost分類算法在訓(xùn)練強(qiáng)分類器過程中忽略了正負(fù)樣本的高度非對稱性，繼而難以正確分類正負(fù)樣本, 而且權(quán)重會隨著迭代次數(shù)增加而增大, 大大降低了分類器性能。因此本文采用非對稱GentleBoost算法進(jìn)行特征選擇并結(jié)合LAC方法進(jìn)行分類器二次訓(xùn)練，充分考慮了樣本分布的不平衡特性，獲得了最優(yōu)線性強(qiáng)分類器。實驗結(jié)果表明：本文提出的方法具有高檢測率、低誤判率，和當(dāng)前比較流行的算法相比是一種性能更優(yōu)越的人臉檢測方法。此外，本文提出的方法具有很好的泛化性能，還可以用于剛體或半剛體的目標(biāo)檢測中，如行人檢測，車輛檢測等領(lǐng)域，是一種推廣性比較強(qiáng)的方法。

參考文獻(xiàn):

[1]Yang M H，Kriegman D J，Ahuja N.Detecting faces in images：A survey[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，2002，24(1)：34-58.

[2]李武軍，王崇駿，張煒，等．人臉識別研究綜述[J].模式識別與人工智能，2006, 19(1):58-66.

Li Wujun， Wang Chongjun，Zhang Wei，et al．Review of face recognition research[J]．Pattern Recognition and Artificial Intelligence，2006，19(1):58-66.

[3]Rowley H A，Baluja S，Kanade T.Neural network-based face detection[J].IEEE Transactions on Pattern Analysis & Machine Intelligence，1996，20(1)：203-208.

[4]Osuna E，F(xiàn)reund R，Girosi F.Training support vector machines：An application to face detection[C]// Computer Vision and Pattern Recognition，1997，Proceedings.[S.l.]:IEEE，1997：130-136.

[5]胡昭華,趙孝磊,徐玉偉,等.一種新的低秩分塊稀疏表示的人臉識別算法[J].數(shù)據(jù)采集與處理，2015,30(5)：1109-1120.

Hu Zhaohua，Zhao Xiaolei，Xu Yuwei，et al. Face recognition algorithm based on novel low-rank and block-based sparse representation[J]. Journal of Data Acquisition and Processing，2015，30(5)：1109-1120.

[6]楊軍,袁紅照,劉妍麗.基于樣本擴(kuò)張和雙子空間決策融合的單樣本人臉識別算法[J].數(shù)據(jù)采集與處理，2015，30(1)：148-154.

Yang Jun，Yuan Hongzhao，Liu Yanli.Algorithm for single sample face recognition based on sample augments and double subspace decision fusion[J].Journal of Data Acquisition and Processing，2015，30(1)：148-154.

[7]葉繼華,萬葉晶,劉長紅,等.基于多子空間直和特征融合的人臉識別算法[J] .數(shù)據(jù)采集與處理，2016，31(1)：102-107.

Ye Jihua，Wan Yejin，Liu Changhong，et al.Face recognition algorithm of feature fusion based on multi-subspaces direct sum[J].Journal of Data Acquisition and Processing，2016，31(1)：102-107.

[8]Yang M H，Roth D，Ahuja N.A SNoW-based face detector[J].Advances in Neural Information Processing Systems，1999，17(3)：862-868.

[9]Schneiderman H，Kanade T.A statistical model for 3D object detection applied to faces and cars[J].Proc IEEE Conf Computer Vision & Pattern Recognition，2005，1：1-6.

[10] Viola P，Jones M.Rapid object detection using a boosted cascade of simple features[J].Proc CVPR，2001，1：511.

[11] 陳杰，陳熙霖，高文．基于遺傳算法重采樣的人臉樣本擴(kuò)張[J]．軟件學(xué)報，2005，16(11)：1894-1901.

Chen Jie，Chen Xilin，Gao Wen．Face sample expansion based on genetic algorithm resampling[J].Journal of Software，2005，16(11)：1894-1901.

[12] Lienhart R, Maydt J. An extended set of Haar-like features for rapid object detection[C]// International Conference on Image Processing. [S.l.]:IEEE, 2002:I-900-I-903.

[13] Friedman J，Hastie T，Tibshirani R.Additive logistic regression：A statistical view of boosting (With discussion and a rejoinder by the authors)[J].Annals of Statistics，2000，28(2)：374-376.

[14] Li Stan Z，Zhang Zhenqiu.FloatBoost learning and statistical face detection[J].Pattern Analysis & Machine Intelligence IEEE Transactions on，2004，26(9)：1112-1123.

[15] Huang C, Al H, Wu B, et al. Boosting nested cascade detector for multi-view face detection[J]. Proc of ICPR, 2004, 2(2):415-418.

[16] Li Stan Z，Zhu Long，Zhang Zhenqiu，et al.Statistical learning of multi-view face detection[C]// European Conference on Computer Vision. Copenhagen, Denmark：IEEE，2002：67-81.

[17] Huang C, Ai H, Li Y, et al. Learning sparse features in granular space for multi-view face detection[C]// International Conference on Automatic Face and Gesture Recognition. [S.l.]:IEEE, 2006:401-406.

[18] Zhang Lun，Chu Rufeng，Xiang Shiming，et al.Face detection based on multi-block LBP representation[J].Lecture Notes in Computer Science，2007，4642：11-18.

[19] Papageorgiou C P, Oren M, Poggio T. A general framework for object detection[C]// International Conference on Computer Vision. Bombay, India： IEEE, 1998：555-562.

[20] Dollár P, Tu Z, Perona P, et al. Integral channel features[C]// British Machine Vision Conference, BMVC 2009. London, UK:[s.n.], 2009.

[21] Dollar P，Appel R，Belongie S，et al.Fast feature pyramids for object detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2014，36(8)：1532-1545.

[22] Yang Bin，Yan Junjie，Lei Zhen，et al.Aggregate channel features for multi-view face detection[J].IEEE International Joint Conference on Biometrics, 2014：1-8.

[23] Wu Jianxin， Brubaker S C， Mullin M D， et al. Fast asymmetric learning for cascade face detection[J].Pattern Analysis & Machine Intelligence IEEE Transactions on，2008，30(3)：369-382.

[24] Masnadi-Shirazi H，Vasconcelos N.Asymmetric boosting[C]// International Conference on Machine Learning.[S.l.]： ACM，2007：609-619.

[25] Kostinger M，Wohlhart P，Roth P M，et al.Annotated facial landmarks in the wild：A large-scale，real-world database for facial landmark localization[C]// IEEE International Conference on Computer Vision Workshops，ICCV 2011 Workshops.Barcelona，Spain:[s.n.]，2011：2144-2151.

[26] Liao Shengcai，Jain A K，Li Stan Z.A fast and accurate unconstrained face detector[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，38(2)：211-223.

[27] Li Haoxiang，Lin Zhe，Brandt J，et al.Efficient boosted exemplar-based face detection[C]// Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA ：IEEE，2014：1843-1850.

[28] Li J, Zhang Y. Learning SURF cascade for fast and accurate object detection[J]. Computer Vision and Pattern Recognition, 2013，9(4)：3468-3475.

[29] Li H, Hua G, Lin Z, et al. Probabilistic elastic part model for unsupervised face detector adaptation[C]// IEEE International Conference on Computer Vision. Sydney, NSW, Australia ：IEEE, 2013:793-800.