face alignment network 相关开源代码

收集一些人脸对齐相关的开源代码，并做简单的比较

1. 基于MTCNN的方法

[code]，是matlab实现的，在sphereface等里面用于数据预处理，速度快，论文时间为2016年

2. cmu的openpose：

相关的姿态pose、手势为2017年论文；人脸的检测是使用手势的同一套网络，但是数据集是人脸的数据集，比如微软的coco

安装

a). 需要安装cmake-gui；如需要指定caffe路径的话，参考b)中的路径设置

b).如果不安装的话，需要指定opencv和caffe的路径，方法(提供了两种方法，二选一)；

mkdir build
cd build

cmake -DOpenCV_INCLUDE_DIRS=/usr/local/include/ -DOpenCV_LIBS_DIR=/usr/local/lib/ -DCaffe_INCLUDE_DIRS=/home/X/work/caffe_master/build/src -DCaffe_LIBS=/home/X/work/caffe_master/build/lib/libcaffe.so -DBUILD_CAFFE=OFF ..

make -j8

# make -j`nproc`

在make的时候，非常麻烦的错误是，还需要引用hpp头文件。Ubuntu下编译的结果不会再build下面再包含头文件，所以解决办法就是将caffe_root/include/caffe整个的复制的build/src/caffe下，爱用哪个头文件就用哪个头文件吧。

c). 调用，比如这样

./build/examples/openpose/openpose.bin --image_dir ~/work/face-alignment/test/assets/ --face --num_gpu 1 --write_keypoint ~/work/face-alignment/test/assets/

但是效果比较差，不如1adrianb的效果，当然是选择了比较难的样本。

3. 1adrianb/face-alignment

人脸检测是基于dlib中的人脸检测方法，该方法是dlib_face_recognition_resnet_model_v1 模型，在2017年的LFW上精度为99.38%，目标是3D人脸的对齐。

安装

1. 安装dlib; 该模式生成关键点，但也可以指定检测模型。
2.  需要下载tar，2D的路径是这个，所下载的文件保存到了~/.face_alignment中。在Ubuntu中可以直接下载，有时候在window下打开需要翻墙，所以也一并将他们贴到CSDN资源池里面了，下载文件一，文件二，以及3D时需要的depth网络模型（链接：https://pan.baidu.com/s/1Y10qL3Lcp6nPZb-uSlbAVg 密码：9vqx）
3. pytorch需要较新的版本，因为里面用到了比如with no_grad()，在0.2中不存在。pytorch需要更新，更新的时候可能遇到pip不能安装的问题，还挺普遍存在，可以下载下来，升级wheel到3，再次安装。
4. 调用：使用官网给的范例就够了，输出的是关键点的二维数组。

4. 1adrianb/binary-human-pose-estimation

是2017Binarized Convolutional Landmark Localizers for Human Pose Estimation and Face Alignment with Limited Resources论文的实现，该论文作为ICCV 2017 Oral口头报告呈现。人脸和姿态都有，代码是分开的。

5. MarekKowalski/DeepAlignmentNetwork

是2017的论文，作者称DAN为 been accepted to the First Faces in-the-wild Workshop-Challenge at CVPR 2017

同样的，需要下载一些网络参数模型，也需要翻墙，上传到CSDN链接中，共三个（DAN,DAN-Menpo-tracking,DAN-Menpo）

 6. kayamin/DR-GAN

该论文Disentangled Representation Learning GAN for Pose-Invariant Face Recognition，论文名称是《Representation Learning by Rotating Your Faces》，还有其他的实现，可以参考一下Github。

 7. Deep Face Feature for Face Alignment (没有代码)

此论文2018称优于3DDFA、jourabloo&liu、ERT。

8. tpys/face-everthing

是一些以往的代码的集成，但不全是alignment，没什么用。