转载：https://zhuanlan.zhihu.com/p/31761796
MTCNN是多任务级联CNN的人脸检测深度学习模型，该模型中综合考虑了人脸边框回归和面部关键点检测。该级联的CNN网络结构包括PNet，RNet，ONet。本文主要介绍人脸检测中常用的数据处理方法，包括Bounding Box绘制，IOU计算，滑动窗口生成，回归框偏移值计算，面部轮廓关键点以及面部轮廓关键点回归。
PNet(Propose NetWork) 用来获取面部窗口和相应的候选框的回归向量。然后采用非极大值抑制方法non-maximum suppression（NMs）对生成的面部候选框进行合并操作。PNet网络结构如下：
RNet（Refine Network）获取PNet检测出来的人脸候选框，进行网络训练，进一步矫正人脸候选框的回归向量，并同样对候选框执行非极大值抑制。RNet网络结构如下：
ONet（Output Newwork）主要生成最终的人脸回归框和面部轮廓关键点。ONet的网络结构如下所示：
本文主要介绍回归框的PNet/RNet/ONet数据预处理部分的相关算法。由于PNet的网络输入是12*12的图片，所以要对训练图片进行预处理。本文采用的数据集为WIDER FACE数据集，可以从如下地址下载：
http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/
该数据集有32,203图片并且有93,703张脸被标记，如下图所示：
Bounding Box绘制
首先读取标度的人脸图片数据，如下所示：
0--Parade/0_Parade_marchingband_1_849 448.51 329.63 570.09 478.23 可以用PIL把图片中人脸的bounding box绘制出来，示例代码如下：
from PIL import Image, ImageDraw
from pylab import *
#annotation
#0--Parade/0_Parade_marchingband_1_849 448.51 329.63 570.09 478.23
annotation=[448.51,329.63,570.09,478.23]
im = Image.open("0_Parade_marchingband_1_849.jpg")
draw = ImageDraw.Draw(im)
line = 5
x, y = annotation[0], annotation[1]
width= annotation[2]-annotation[0]
height = annotation[3]-annotation[1]
for i in range(1, line + 1):
draw.rectangle((x + (line - i), y + (line - i), x + width + i, y + height + i), outline='red')
# imshow(im)
# show()
im.save("out.jpeg")IOU计算
可以通过滑动窗口或者随机采样的方法获取训练数据，训练数据分为三种正样本，负样本，中间样本。其中正阳本是生成的滑动窗口和Guarant True Box的IOU大于0.65，负样本是IOU小于0.3，中间样本是IOU大于0.4小于0.65。
IOU（Intersection-Over-Union）的计算流程如下：
蓝色的框为生成的滑动窗口，红色的框为Guarant Box，其中（x, y）表示回归框的顶点坐标。IOU为两个框相交的面积除以两个框的总面积，如果IOU越大表示生成的滑动窗口和真实的窗口越接近。这样IOU的计算公式可以表示为：
IOU=((x2-gx1)*(y2-gy1))/((x2-x1)*(y2-y1)+(gx2-gx1)*(gy2-gy1))
IOU的计算代码如下所示：
def IoU(box, boxes):
box_area = (box[2] - box[0] + 1) * (box[3] - box[1] + 1)
area = (boxes[:, 2] - boxes[:, 0] + 1) * (boxes[:, 3] - boxes[:, 1] + 1)
xx1 = np.maximum(box[0], boxes[:, 0])
yy1 = np.maximum(box[1], boxes[:, 1])
xx2 = np.minimum(box[2], boxes[:, 2])
yy2 = np.minimum(box[3], boxes[:, 3])
# compute the width and height of the bounding box
w = np.maximum(0, xx2 - xx1 + 1)
h = np.maximum(0, yy2 - yy1 + 1)
inter = w * h
ovr = inter / (box_area + area - inter)
return ovr
其中box为滑动窗口，boxes为多个guarant box（一个图片可以有多个人脸，所以会有多个guarant box）。
滑动窗口生成
那么怎么生成滑动窗口的图片呢？比较简单的方式是采用随机方法，如下所示：
import cv2
import numpy as np
import numpy.random as npr
from PIL import Image, ImageDraw
from pylab import *
img = cv2.imread("0_Parade_marchingband_1_849.jpg")
height, width, channel = img.shape
size = npr.randint(12, min(width, height) / 2)
#top_left
nx = npr.randint(0, width - size)
ny = npr.randint(0, height - size)
#random crop
crop_box = np.array([nx, ny, nx + size, ny + size])
cropped_im = img[ny : ny + size, nx : nx + size, :]
resized_im = cv2.resize(cropped_im, (12, 12), interpolation=cv2.INTER_LINEAR)
cv2.imwrite("resize.jpeg", resized_im)
imshow(resized_im)
show()
生成12*12的滑动窗口图片示例如下所示，是一个负样本：
回归框偏移值计算
考虑到直接采用坐标信息进行回归框的预测，网络收敛比较慢。所以在回归框预测的时候一般采用回归框的坐标偏移进行预测，相当于归一化的一种方式。回归框的坐标偏移如下图所示：
生成滑动窗口后，对应滑动窗口和Guarant True Box的偏移值，即可算出来，如下所示：
offset_x1 = (gx1 - x1) / float(x2-x1)
offset_y1 = (gy1 - y1) / float(y2-y1)
offset_x2 = (gx2 - x2) / float(x2-x1)
offset_y2 = (gy2 - y2) / float(y2-y1)
这样生成滑动窗口的时候，对正样本及中间样本，同时保存相应的offset值，如下所示：
positive/0.jpg 1 0.02 -0.01 -0.20 -0.06
positive/1.jpg 1 0.08 0.04 -0.18 -0.06
positive/2.jpg 1 0.16 0.10 -0.03 0.09
positive/3.jpg 1 0.00 -0.04 0.08 0.28
positive/4.jpg 1 0.08 0.03 -0.12 0.01
生成Offset示例代码如下所示，主要是随机生成一个（x，y）坐标的偏移值：
import cv2
import numpy as np
import numpy.random as npr
from PIL import Image, ImageDraw
from pylab import *
img = cv2.imread("0_Parade_marchingband_1_849.jpg")
height, width, channel = img.shape
annotation=[448.51,329.63,570.09,478.23]
x1, y1, x2, y2 = annotation
w = x2 - x1 + 1
h = y2 - y1 + 1
size = npr.randint(int(min(w, h) * 0.8), np.ceil(1.25 * max(w, h)))
delta_x = npr.randint(-w * 0.2, w * 0.2)
delta_y = npr.randint(-h * 0.2, h * 0.2)
nx1 = int(max(x1 + w / 2 + delta_x - size / 2, 0))
ny1 = int(max(y1 + h / 2 + delta_y - size / 2, 0))
nx2 = nx1 + size
ny2 = ny1 + size
crop_box = np.array([nx1, ny1, nx2, ny2])
offset_x1 = (x1 - nx1) / float(size)
offset_y1 = (y1 - ny1) / float(size)
offset_x2 = (x2 - nx2) / float(size)
offset_y2 = (y2 - ny2) / float(size)
cropped_im = img[ny1 : ny2, nx1 : nx2, :]
resized_im = cv2.resize(cropped_im, (12, 12), interpolation=cv2.INTER_LINEAR)
imshow(resized_im)
show()
面部轮廓关键点
在人脸检测的时候，除了用到回归框的信息外，还会利用到人脸面膜轮廓的关键点信息，主要包括眼睛，嘴，鼻子的坐标。该训练数据可从如下地址下载到：
http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm
上述的数据集包括LFW中的5,590张图片和7,876张从网上下载下来的图片，坐标信息包括：左眼，右眼，鼻子，左嘴，右嘴。例如下面坐标对应图片为：（x1,x2,y1,y2）
lfw_5590/Aaron_Eckhart_0001.jpg 84 161 92 169 106.250000 107.750000 146.750000 112.250000 125.250000 142.750000 105.250000 157.750000 139.750000 161.750000
Bounding Box和面部landmark生成代码如下所示：
from PIL import Image, ImageDraw
from pylab import *
# 84 161 92 169 106.250000 107.750000 146.750000 112.250000 125.250000 142.750000 105.250000 157.750000 139.750000 161.750000
annotation = [84, 92, 161, 169] # left, top, right, bottom
landmarkX = [106.250000, 146.750000, 125.250000, 105.250000, 139.750000]
landmarkY = [107.750000, 112.250000, 142.750000, 157.750000, 161.750000]
im = Image.open("Aaron_Eckhart_0001.jpg")
draw = ImageDraw.Draw(im)
line = 5
x, y = annotation[0], annotation[1]
width = annotation[2] - annotation[0]
height = annotation[3] - annotation[1]
for i in range(1, line + 1):
draw.rectangle((x + (line - i), y + (line - i), x + width + i, y + height + i), outline='red')
imshow(im)
# 绘制点
plot(landmarkX, landmarkY, "g*")
show()
面部轮廓关键点回归值
人脸的面部轮廓关键点不采用绝对坐标，同样使用的是回归值，不过该回归值对应的是Bounding Box的相对坐标，如下所示：
相应的计算公式如下所示：
offsetX=(lx-x)/bbox_width
offsetY=(ly-y)/bbox_height
对所有的landmark点计算offset后生成如下数据：
train_PNet_landmark/0.jpg -2 0.288961038961 0.204545454545 0.814935064935 0.262987012987 0.535714285714 0.659090909091 0.275974025974 0.853896103896 0.724025974026 0.905844155844
train_PNet_landmark/1.jpg -2 0.42816091954 0.215517241379 0.89367816092 0.26724137931 0.646551724138 0.617816091954 0.416666666667 0.790229885057 0.813218390805 0.836206896552
train_PNet_landmark/2.jpg -2 0.153125 0.271875 0.659375 0.328125 0.390625 0.709375 0.140625 0.896875 0.571875 0.946875
train_PNet_landmark/3.jpg -2 0.174327367914 0.242510936232 0.673748423293 0.342669482766 0.372792971258 0.69904560555 0.10740259497 0.864043175755 0.532653771385 0.95143882472
面部轮廓关键点生成
那么如何生成训练数据的面部轮廓关键点呢？生成方法类似于回归框的方式，在guarand true landmark点上加上一个随机偏移量，然后再计算offset值。示例code如下：
import cv2
import numpy as np
import numpy.random as npr
from PIL import Image, ImageDraw
from pylab import *
img = cv2.imread("Aaron_Eckhart_0001.jpg")
img_h,img_w,img_c = img.shape
annotation = [84, 92, 161, 169]
landmarkX = [106.250000, 146.750000, 125.250000, 105.250000, 139.750000]
landmarkY = [107.750000, 112.250000, 142.750000, 157.750000, 161.750000]
landmarkGt = np.zeros((5, 2))
for i in range(5):
landmarkGt[i]=(landmarkX[i],landmarkY[i])
x1, y1, x2, y2 = annotation
gt_w = x2 - x1 + 1
gt_h = y2 - y1 + 1
bbox_size = npr.randint(int(min(gt_w, gt_h) * 0.8), np.ceil(1.25 * max(gt_w, gt_h)))
delta_x = npr.randint(-gt_w * 0.2, gt_w * 0.2)
delta_y = npr.randint(-gt_h * 0.2, gt_h * 0.2)
nx1 = int(max(x1+gt_w/2-bbox_size/2+delta_x,0))
ny1 = int(max(y1+gt_h/2-bbox_size/2+delta_y,0))
nx2 = int(nx1 + bbox_size)
ny2 = int(ny1 + bbox_size)
crop_box = np.array([nx1,ny1,nx2,ny2])
cropped_im = img[ny1:ny2+1,nx1:nx2+1,:]
resized_im = cv2.resize(cropped_im, (12, 12))
landmark = np.zeros((5, 2))
for index, one in enumerate(landmarkGt):
rv = ((one[0]-nx1)/bbox_size, (one[1]-ny1)/bbox_size)
landmark[index] = rv
print(landmark)
imshow(resized_im)
show()
如果面部关键点的训练数据比较少，可以通过数据预处理的方式（比如回归框图像镜像，翻转等操作）增加landmark训练数据。