MTCNN总结一

https://blog.csdn.net/u014380165/article/details/78906898

https://zhuanlan.zhihu.com/p/38520597

https://www.zhihu.com/question/274001027/answer/374213141

Stage 1:采用全卷积神经网络，即P-Net，去获得候选窗体和边界回归向量。同时，候选窗体根据边界框进行校准。然后，利用NMS方法去除重叠窗体。主要用来生成一些候选框（bounding box）

                                                                    

stage 2:R-Net，将经过P-Net确定的包含候选窗体的图片在R-Net网络中 训练，网络最后选用全连接的方式进行训练。利用边界框向量微调候选窗体，再利用NMS去除重叠窗体。R-Net主要用来去除大量的非人脸框

                                                 

stage 3：O-Net，网络结构比R-Net多一层卷积，功能与R-Net作用一样，只是在去除重叠候选窗口的同时，显示五个人脸关键点定位。这一步还增加了landmark位置的回归

                                

 

x1 = dets[:, 0]
y1 = dets[:, 1]
x2 = dets[:, 2]
y2 = dets[:, 3]
scores = dets[:, 4]

areas = (x2 - x1 + 1) * (y2 - y1 + 1)
order = scores.argsort()[::-1]

keep = []
while order.size > 0:
    i = order[0]
    keep.append(i)
    xx1 = np.maximum(x1[i], x1[order[1:]])
    yy1 = np.maximum(y1[i], y1[order[1:]])
    xx2 = np.minimum(x2[i], x2[order[1:]])
    yy2 = np.minimum(y2[i], y2[order[1:]])

    w = np.maximum(0.0, xx2 - xx1 + 1)
    h = np.maximum(0.0, yy2 - yy1 + 1)
    inter = w * h
    if mode == "Union":
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
    elif mode == "Minimum":
        ovr = inter / np.minimum(areas[i], areas[order[1:]])
    #keep
    inds = np.where(ovr <= thresh)[0]
    order = order[inds + 1]

这两天仔细看网络才发现，MTCNN的人脸对齐说的只是关键点定位，而不是人脸矫正。

def warp_affine(image, points, scale=1.0):
        eye_center = ((points[0][0] + points[1][0]) / 2, (points[0][1] + points[1][1]) / 2)
        dy = points[1][1] - points[0][1]
        dx = points[1][0] - points[0][0]
        # 计算旋转角度
        angle = cv2.fastAtan2(dy, dx)
        rot = cv2.getRotationMatrix2D(eye_center, angle, scale=scale)
        rot_img = cv2.warpAffine(image, rot, dsize=(image.shape[1], image.shape[0]))
        plt.imshow(rot_img)
        plt.show()
        return rot_img