dlib人脸检测算法速度（dlib人脸检测算法能商用吗） _人脸

文章插图

文章插图
来源 | AI 算法与图像处理
封图 | CSDN 付费下载于视觉中国
本文的内容预览

文章插图

文章插图
人脸检测的概念
人脸检测是一种在多种应用中使用的计算机技术，可以识别数字图像中的人脸。人脸检测还指人类在视觉场景中定位人脸的过程。
人脸检测可以视为目标检测的一种特殊情况。在目标检测中，任务是查找图像中给定类的所有对象的位置和大小。例如行人和汽车。

文章插图
人脸检测示例
在人脸检测中应用较广的算法就是MTCNN（ Multi-task Cascaded Convolutional Networks的缩写）。MTCNN算法是一种基于深度学习的人脸检测和人脸对齐方法，它可以同时完成人脸检测和人脸对齐的任务，相比于传统的算法，它的性能更好，检测速度更快。
本文目的不是为了强调MTCNN模型的训练，而是如何使用MTCNN提取人脸区域和特征点，为后续例如人脸识别和人脸图片预处理做铺垫。
接下来介绍MTCNN的使用，让大家对其有一个直观的感受，再深入了解其原理。

文章插图
MTCNN的使用

Paper地址：
https://kpzhang93.github.io/MTCNN_face_detection_alignment/
github链接：
https://github.com/kpzhang93/MTCNN_face_detection_alignment
其他版本：
https://github.com/AITTSMD/MTCNN-Tensorflow

作者是基于caffe实现的，因为本人配置了多次，都失败了，因此尝试了其他框架的，采用mxnet框架，当然也附上了pytorch版本的。
本次使用的项目链接：https://github.com/YYuanAnyVision/mxnet_mtcnn_face_detection

其他参考：
pytorch版本：
https://github.com/TropComplique/mtcnn-pytorch

第一步：将项目克隆下来
git clone https://github.com/YYuanAnyVision/mxnet_mtcnn_face_detection当然很有可能会中途失败，我自己也是尝试多次都没搞定，又慢又老是不行。不过之前分享过一个妙招，如果看过的小伙伴一定知道如何解决。
这里附上文章链接：
完美解决Github上下载项目失败或速度太慢的问题
第二步：配置好所需的环境
mxnet的安装非常容易，这里以我的电脑为例安装GPU版本的mxnet
只需一行代码即可完成安装，首先查询自己所安装cuda的版本，并输入对应的指令即可
# 例如我的电脑是cuda 9.0的pip install mxnet-cu90

这里有补充说明https://pypi.org/project/mxnet-cu90/，更多内容可以百度搜索解决。

第三步：运行代码
该项目已经有预训练模型了，直接运行main.py即可。
但是你一运行，就会发现哦豁，报错了。
这是因为该项目是用python2写的，所以存在一些需要修改的地方。
问题一：ImportError: cannot import name 'izip' （报错文件 mtcnn_detector.py）
解决方案：python3中的zip就相当于 python2 itertools里的izip
因此，只需要做以下修改即可，在mtcnn_detector.py将报错的from itertools import izip注释掉，下面加一行试试看。
具体操作，在main.py中找到 from itertools import izip，并修改成下面即可。
#from itertools import izipizip = zip解决了之后在运行一次main.py
卧槽，又不行了
问题2：TypeError: 'float' object cannot be interpreted as an integer
类型错误：“float”对象不能解释为整数
解决方法：将报错的地方存在的 “/” 都修改成 “//” 即可，同类报错，相同的解决方法。
python2和python3中运算符的区别。
python3中 / 运算的结果是含有浮点数的。而python2中/是等价于python3中的 //，python3中// 表示向下取整的除法。
# 举个例子在python3中 //print(3/2,3//2) # 输出 1.5，1历经千辛万苦，最终展示效果：

文章插图
到这里我们已经能够检测到人脸了，对于自己的图片，只需要修改main.py中读入的图片路径即可。更多自定义操作，例如批量处理和保存，可以根据自己的需求来添加。

文章插图
MTCNN的原理
对于如此经典的网络仅仅掌握其使用还是不够的，因此接下来将详细的说明一下其内在的原理。

文章插图
图片来源与论文原文
从上图可以知道主要包括四个操作，三个步骤。
1、图像金字塔
对图片进行Resize操作，将原始图像缩放成不同的尺度，生成图像金字塔。然后将不同尺度的图像送入到这三个子网络中进行训练，目的是为了可以检测到不同大小的人脸，从而实现多尺度目标检测。

图像金字塔是图像中多尺度表达的一种。对于图像金字塔的具体原理这里不详细展开，有兴趣可以参考这篇文章：https://zhuanlan.zhihu.com/p/80362140

文章插图
三个子网络图
2、P-Net（Proposal Network）

论文原文对P-Net的描述：该网络结构主要获得了人脸区域的候选框和边界框的回归向量。然后基于预测边界框回归向量对候选框进行矫正。在这之后，我们采用NMS来合并重叠率高的候选框。

P-Net是一个人脸区域的候选网络，该网络的输入一个12x12x3的图像，通过3层的卷积之后，判断这个12x12的图像中是否存在人脸，并且给出人脸框的回归和人脸关键点。
网络的第一部分输出是用来判断该图像是否存在人脸，输出向量大小1x1x2，也就是两个值。
网络的第二部分给出框的精确位置，一般称为框回归。P-Net输入的12×12的图像块可能并不是完美的人脸框的位置，如有的时候人脸并不正好为方形，有可能12×12的图像偏左或偏右，因此需要输出当前框位置相对完美的人脸框位置的偏移。这个偏移大小为1×1×4，即表示框左上角的横坐标的相对偏移，框左上角的纵坐标的相对偏移、框的宽度的误差、框的高度的误差。
网络的第三部分给出人脸的5个关键点的位置。5个关键点分别对应着左眼的位置、右眼的位置、鼻子的位置、左嘴巴的位置、右嘴巴的位置。每个关键点需要两维来表示，因此输出是向量大小为1×1×10 。
3、R-Net（Refine Network）

论文原文对P-Net的描述：P-Net的所有候选框都输入到R-Net中，该网络结构还是通过边界框回归和NMS来去掉大量的false-positive区域。

从网络图可以看到，只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive的作用。在输入R-Net之前，都需要缩放到24x24x3，网络的输出与P-Net是相同的，R-Net的目的是为了去除大量的非人脸框。
4、O-Net（Output Network）

论文原文对O-Net的描述：这个阶段类似于第二阶段，但是在这个阶段在此阶段，我们目的通过更多的监督来识别面部区域。特别是，网络将输出五个面部关键点的位置。

从网络图可以看到，该层比R-Net层有多了一层卷积层，所以处理的结果会更加精细。输入的图像大小48x48x3，输出包括N个边界框的坐标信息，score以及关键点位置。

文章插图
总结
从P-Net到R-Net，再到最后的O-Net，网络输入的图像越来越大，卷积层的通道数越来越多，网络的深度（层数）也越来越深，因此识别人脸的准确率应该也是越来越高的。
对各个网络结果的作用理解之后，我们深入了解一下其所采用的损失函数。

MTCNN的损失函数针对人脸识别问题，直接使用交叉熵代价函数，对于框回归和关键点定位，使用L2损失。最后把这三部分的损失各自乘以自身的权重累加起来，形成最后的总损失。
1、人脸识别损失函数（cross-entry loss）

文章插图
2、回归框的损失函数（Euclidean loss）

文章插图
3、关键点的损失函数（Euclidean loss）

文章插图
4、总损失

文章插图
具体的各个公式的含义，大家应该都明白，这里强调一下，最后的总损失前添加了一个权重 α，即损失函数所对应的权重是不一致的。详细设置可以参看论文原文。

文章插图
【end】

有奖征文

文章插图
检测、量化、追踪新冠病毒，基于深度学习的自动CT图像分析有多靠谱？
百万人学AI：CSDN重磅共建人工智能技术新生态
【dlib人脸检测算法速度（dlib人脸检测算法能商用吗）】连续两天，8 大技术论坛，微软超 60 个烧脑议题等你来战
Docker 开发环境的滑坡
来，让我们逐一澄清以太坊 2.0 五大误解
超 6 成程序员月薪 8000 以上，后端开发最吃香！| 中国开发者现状报告
你点的每个“在看”，我都认真当成了AI