第一次写周报

一周五天，匆匆而去，回想起来，大致也就做了如下的几件事：

1.继续训练分类器

用opencv自带的分类器做目标检测，将漏检和虚警图片加入训练样本，再次训练

在训练中，发现了一个问题，当某个stage的FA为0，即没有负样本被错分的时候，下一级的训练陷入死循环。就此停止训练，生成分类器，则虚警过高！可加入新的负样本，继续训练。

2.发现了数字图像处理的一个有趣应用——美妆、美容

视觉群里边有网友提到美白算法，自己闲来无事也搜了一下，发现还真有美容算法，美妆算法等，key word：Digital Face Beautification.相关论文：

Digital Face Makeup by Example 美妆实现

主要步骤：

1）人脸对齐

2）图像分解：分解为颜色层、皮肤细节层和人脸结构层

3）相应层的映射融合

Data-Driven Enhancement of Facial Attractiveness 

主要步骤：

1）用ASM做特征点定位

2）生成美化引擎

3）特征点映射生成结果图像

感觉最主要的难点还是在于特征点的定位，如果能够精确定位特征点，应该就可以省去交互调整特征点这一步了。

3.还是adaboost

源于n年前写的一段adaboost代码，昨天热心的网友与我联系，指出错误若干，自己回过头去看，也发现很多地方太过武断。现在用adaboost都只是用来训练分类器，区分人脸/非人脸，眼睛/非眼睛，完全忘记了adaboost的最根本的用法——特征选择！今晨，网友又给我一篇paper:Gabor-Boosting Face Recognition。读过之后，茅舍顿开，之前一直苦恼的人脸确认问题似乎看到了希望的曙光。之前自己做人脸识别，只是用了HLBP，发现效果不错，在95.%的识别率上止步不前，先后尝试了LBP+PCA，LBP+PCA，HLBP+SVM，终觉不及HLBP，于是认为特征提取只会降低识别率，却没有更深入地思考原因。现在想来，PCA提取的主成分应该只是对重建有效，而不一定对识别有效；而如果用Adaboost来提取，将client的图片作为正样本，其他人的图片作为负样本，那么最后抽取出的特征肯定是具有身份辨别性的特征（PS：如果某人的胡须极为显著，那么剃掉胡须之后是否会极大的影响判别呢？）！现在已将特征抽取部分写完，希望这个idea不要让我失望！

一点感触：

当我在人脸识别止步于95.%的识别率，而老板又没有是否继续开发的指示时，心情极度郁闷。直到看到美妆算法，眼前一亮，跟老大交流我们是否也可以做，老大让我先看看有没有别人在做，结果还真有人做了，老大说除非专业，否则没有竞争力！是呀，在免费软件泛滥的时代，谁会花钱去买没有什么亮点的软件呢？！突然有些明白为什么我的人脸识别系统没了下文，还是识别率太低了呀！精益求精，不是苛刻，而应该是一种态度，治学也罢，工作也罢，唯有精益求精，才有竞争力！Second best  is not good enough！从现在起，改变自己的做事态度，力求做到最好！