15-2 人脸检测

人脸检测

因为相似性、易变性，人脸识别是比较困难的。
放大-好区分，类间变化
消除-同一个人，固定特征，类内变化
对于人脸，类内变化大于类间变化

人脸检测模型-mtcnn

（Multi-task convolutional neural network）多任务卷积神经网络
P-Net
R-Net
O-Net
MTCNN主要包括三层网络

1. 第一层P-Net将经过卷积，池化操作后输出分类（对应像素点是否存在人脸）和回归（回归box)结果。
2. 第二层网络将第一层输出的结果使用非极大抑制（NMS）来去除高度重合的候选框，并将这些候选框放入R-Net中进行精细的操作，拒绝大量错误框，再对回归框做校正，并使用NMS去除重合框，输出分支同样两个分类和回归。
3. 最后将R-Net输出认为是人脸的候选框输入到O-Net中再一次进行精细操作，拒绝掉错误的框，此时输出分支包含三个分类：
   a. 是否有人脸：2个输出；
   b. 回归：回归得到的框的起始点（或中心点）的xy坐标和框的长宽，4个输出；
   c. 人脸特征点定位：5个人脸特征点的xy坐标，10个输出。
   注：三段网络都有NMS，但是所设阈值不同。

1. 构建图像金字塔

为了不被目标图像的尺寸影响。
推理的时候，缩小后的图像不能小于12*12
• factor是指每次对边缩放的倍数。
• 第一阶段会多次缩放原图得到图片金字塔，目的是为了让缩放后图片中的人脸与P-NET训练时候的图片尺度(12px * 12px)接近。
注意：先把图像直接缩放一半，再通过factor对这个大小进行缩放。可以减少计算量
缩放因子：0.709
因为要把面积缩放1/2，则sqrt（0.5）=0.709

2. P-Net（proposal network）

MTCNN算法可以接受任意尺度的图片，为什么？
• 因为第一阶段的P-NET是一个全卷积网络（Fully Convolutional Networks）。
• 卷积、池化、非线性激活都是一些可以接受任意尺度矩阵的运算，但全连接运算是需要规定输入。
如果网络中有全连接层，则输入的图片尺度(一般)需固定；如果没有全连接层，图片尺度可以是任意的。
输入12 * 12 * 3
3次卷积1次池化
输出1 * 1 * 32

3. R-Net（refine network）

比P-Net多了一个fc全连接层
图片在输入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）

该层比R-Net层又多了一层卷积层，所以处理的结果会更加精细
代码：

relu、Leaky Relu、PRelu

PRelu（a一般大于0.2）
Leaky Relu（a比较小）