基于YoloV5和MTCNN的Perclos方法检测疲劳（遇到困难重重，暂时不更新该主题了）

poplarforest

已于 2022-08-01 20:28:50 修改

阅读量7k

点赞数 20

分类专栏：机器视觉文章标签：计算机视觉人工智能深度学习 python

于 2022-02-11 10:30:40 首次发布

本文链接：https://blog.csdn.net/newsahara/article/details/113142216

版权

机器视觉专栏收录该内容

3 篇文章 2 订阅

订阅专栏

一、项目情况

【0801更新】
最近事情实在太多，本想着项目结束后，把自己的心得体会好好整理一下，发现好像也没有什么能分享给大家的，暂且不再更新此主题了。
如果有其他想法，我会在其他文章中写。
不过最近这段时间给我最大的体会是：聚焦。最重要的事只有一件，把最重要的事情解决了，就解决了80%的问题。

项目介绍
这是一个人脸识别和眨眼计数，得出疲劳状态的项目。
写到博客上面，一方面记录整理有序，一方面也把掉坑的过程记录下来，给自己也给大家做一个避坑参考。

总体路线
项目整体目的，就是通过PERCLOS P80的方法，识别人体疲劳状态。
经过前期研究，通过计算EAR（眼睛长宽比），以及与闭眼阈值的比较，得出眨眼的过程，结合P80原则计算得出疲劳的状态。

思路
由于起步阶段，具体实现思路在下面的“实现思路”中进行具体描述以及不断纠正。
本人算是DeepLearning刚刚起步的小白，之前实践过一些人工神经网络的毕设项目，在matlab中调试BP、RBF神经网络，对深度学习、机器视觉算是从头学习。记录下整个过程，向大家学习，项目的不足之处也请各位大佬们不吝赐教。
闲话少叙接下来就看项目思路和遇坑。

我把遇坑单独拿出来放到另一个博客里面了，和这篇博客对应：https://blog.csdn.net/newsahara/article/details/122875650

二、实现思路

思路1：利用OpenCV提供的dlib人脸探测器以及68个关键点的预测器

Dlib官方训练好的68_face_facemark模型，可以直接拿来用。
下载地址：http://dlib.net/files/
下载文件：shape_predictor_68_face_landmarks.dat.bz2

# 基于HOG级联识别脸部
detector = dlib.get_frontal_face_detector()
predictor = dlib.shape_predictor("shape_predictor_68_face_landmarks.dat")

返回值是<class ‘dlib.dlib.rectangle’>，就是一个矩形，坐标为[(x1, y1) (x2, y2)]。就是绿色方框的左上右下坐标。

在这里插入图片描述
结果如图：

思路1问题
有了眼部周围的六个特征点坐标，就可以计算EAR了，然后计算源选择摄像头。
这里有一个问题，实时性和鲁棒性太差。
检测的实时视频太慢，头稍微一偏，就识别不到脸部了。

解决方法
通过其他实时性、鲁棒性更好的模型，做脸部识别，然后在脸部方框中，计算眼部周围6个特征点坐标，而不是计算整个面部的68个特征点。

符合且自己还算够得着的模型有YOLOV5、MTCNN模型。

思路2
YoloV5识别脸部 -> 再通过YoloV5回归眼部周围6个关键点

YoloV5的下载和安装不赘述。遇到的坑往下看遇到的问题。
真正的难点在于：如何通过YoloV5回归眼部周围6个关键点

要训练自己的模型，一定要找到合适的数据集，遍寻整个网络，确定采用wlfw的人眼数据集。
数据集介绍移步这里：https://github.com/midasklr/98-FaceLandmarks

P.S.特别感谢上面数据集的作者，他将JD和WLFW dataset做了重新整理，实打实给我们节省了很多时间，点赞！

目前需要研究的就是上面的难点
刚刚看到了这篇博客，恍然大悟，奉上链接：yolov5-face

最关键的一句是：

getitem()时，对每张图片，对应标注的数据维度为[ num_objects,14] ，每一行的数据格式为[x, y, w, h, x1, y1, x2, y2, x3, y3, x4, y4, x5, y5]. 前四个为归一化的人脸bbox的中心和宽高，后面10个为归一化的人脸5点关键点的坐标。

所以，既然5个关键点可以训练，结合wlfw的数据，我可以把后面的5个点扩充为左右眼部的12个特征点。
有了思路就往下干。

数据集处理
WLFW的数据集最初是98个点，我需要将数据集处理成为YOLOV5的数据集的样子，将txt文件，拷贝到excel中，作为.CSV文件，处理会比较快。98个点的分布如下图：

因此，我需要的点是右眼60-67，左眼68-75。

----数据集标签处理----
①完成60-75的点位的确认；
②将wflw的数据集格式转为yolov5的数据集格式
在这里要写一个脚本，将数据集改为yolov5需要的数据集，可能要稍微花费一点点时间。

yolov5的坐标转换以及归一化，我参考的是这个博客：YoloV5归一化

做这个小脚本还是听花费时间的，毕竟本人的python编程能力也有限。
很多知识都是现百度的，不过还好，不管怎么样呢，处理完成了。

有了数据集，在训练时又发生了这个错误：
cannot reshape array of size 35 into shape (2)
报错情况
一波未平，一波又起，接着查找解决办法。

问题原因确定了：annotation的向量维度变化，不再是5个，而是更多，需要修改相关的代码。

已经看了两个全天的yolo_face代码了，将yolo_face的5个关键点输入修改为识别眼部周围12个关键点的难度，目前来看远远超出了我的能力范围。大致过程描述如下：

我想的是可以简单的将5个关键点，直接扩展为label里的数据，但是维度变化在face的代码里限制很多，比如遇到了plandmarks的维度就很不好解决，现在看好像是网络model的输出需要调整，不知道对不对，通过调参数我已经不会调了，只好暂时放下这个思路，转向其他的思路。
昨晚上又挣扎了一下，把代码调通可以训练了，BUT，我完全不知道自己的调试参数对不对，只能说训练了，只能说Tensor的维度对上了，能够计算，这样的调参数没有任何意义，相当于还是没有摸透里面的门道，所以还需要继续努力。不过，yolo做关键点的检测暂时放一放了，寻找其他模型来做关键点检测。yolo可以做目标检测。

YoloV5项目小计： 一共花了一周左右的时间，目前掌握的有：yoloV5网络训练的方法、其数据集的制作、数据集的整理（修改、归一化），可以自己编写脚本改动数据集。

思路3：MTCNN模型识别人脸+人眼关键点
MTCNN原文参考地址：MTCNN原文传送

总体方法的参考博客：参考博客地址

MTCNN训练非常简单，用WFLW数据集和landmark数据集也很容易搞通训练，但是有一个非常严重的问题，就是我的显卡内存比较小，只有2G，当MTCNN的R网络输出结果时，一张图片可能会遇到很多张脸，作为O-net网络的输入直接爆掉显存OOM…无奈我只能暂时将这些大的图片记录下来，然后从训练集数据中删除掉。

更严重的是，训练的o_net网络，最后loss居然是NaN，也就是出现负数了，第一次训练出现这样的问题没关系，继续死磕MTCNN，必须搞通它。

(3.22继续开始)
今天想继续用MTCNN做关键点检测。

思路4：Retinaface网络模型
step1：实现网络训练
由于，呃，自己的电脑和水平确实不够，MTCNN训练多人脸场景时候，显卡爆了，OOM。。。所以我选了利用anchor方式的一次性多任务训练网络，借助wider的数据，训练了2天，远远没有达到能够应用的程度，但是，这是标志性的事情，起码，我把整个训练调通了。

小结一下整个过程：

利用pytorch的框架，训练集的读取，也就是dataset的继承部分，一定要写好，变成合适的部分。

网络模型部分：需要将网络的输入和predict部分，改为自己想要得到的。

Loss计算部分，需要结合自己的模型进行具体修改。

然后剩下的就是等待网络模型的参数训练完毕，哈哈，过程描述很简单，遇到了很多的问题，只是最近工作忙，根本没时间记录。

然后下一步需要做的工作还有很多，了解一下训练的中断与继续训练，如何计算EAR、EAR mean，如何评价网络…

Torch的中断与继续训练可以从保存权重文件、加载权重文件实现。

step2：固定bbox，仅训练Landmarks（暂缓实现）
整个网络的模型，可以一次实现3种检测：分类、bbox回归、landmark回归，我的思路是利用已经训练好的网络，仅对landmark进行眼部周围16点的训练。

思路5：
采用目标检测和分类的方法：
识别眼睛 -> 对睁眼、闭眼进行分类 -> Perclose方法识别疲劳

识别眼睛方法：MTCNN、Retinaface
对睁眼、闭眼进行分类：vgg-16的迁移学习，或者ResNet的迁移学习

整体思路
优化思路：
1数据集：

更换数据集，改换专门的人脸landmark的数据集，wflw数据集里面，太多太小的人脸数据，并不好。
通过dlib识别闭眼的图片，对关键点进行标识，取得相应的数据集

2网络模型：

在更换数据集基础上，再尝试MTCNN模型、Retinaface模型（mobilenet和resnet都尝试一下）

环境配置篇

今天在单位找到了一台联想SR658服务器+RTX2080Ti的环境。下决心把服务器环境搭好、调通，这样以后我再训练什么网络的时候，起码不会因为硬件原因，导致训练不下去了（就像MTCNN的教训一样，人脸数量一多久OOM爆卡），同时训练速度也会大幅提升。

今天(3.16)刚把anaconda、pycharm安装好，后面要把环境配置好，然后就可以训练我的retinaface网络了。

今天(3.18)把我从京东二手拍拍店买的一块gtx1050Ti显卡装上并且环境调通了。为什么要把自己的台式机也装上环境呢，主要靠虑更加便于训练，有了自己的炼丹炉，怎么都好用不是，单位的大显卡可能还得排队用。

（05.31）时间飞逝，我得跟大家汇报最近这段时间的情况，4月初开始出差，到5月中旬回家，后续居家隔离、居家办公，一直未能到单位，在训练环境这块不能有很好的进展。

算法方面，之前用retina face训练的网络，效果真的很差，图就不上了，就是眼睛的位置根本合不上。我在思考是什么问题，如果是我自己数据的问题，训练那么多轮，训练效果很好，但是测试时候，数据差到爆，我就不知道怎么办了。

目前还在想办法攻克中。

最近看到一位B站博主的一句话，对于科研工作是很有道理的，就是：宁要深刻的片面，也不要肤浅的全面。

论文这块，就在一个点，往深了整。

叮~~~~
我觉得有必要为我买显卡的这家店做一个单独广告：大家可以在京东搜索精瑞二手电脑专营店：https://mall.jd.hk/index-791507.html。这家店真的服务超级赞，我第一次买的gtx 1060，最后由于电源小了，无法给显卡单独供电（原谅我这个硬件小白），店家二话不说帮换成了1050Ti，显卡装上就能用，真的很放心、很开心的一次购物体验，而且我是拿到了他们中关村店里，发现很专业的团队，确实让人放心，让我能够买到实惠、可靠的显卡，再次表示感谢，大家如果有需要，也可以考虑他们。

- 安装显卡驱动
- 安装cuda tookit 和 cudnn，我的是v10.0+v7.6.5，参考博客：[博客链接](https://blog.csdn.net/xinxiang7/article/details/108541316)
- 配置anaconda和pycharm环境

思路创新
我在想，如果要出论文，可是要有创新点的，结合上面的所有思路，我的创新点在哪里呢？继续多读论文吧，多看看别人的思路，给自己找找出路。

鼓励一下自己：
最近已经停两周时间了。这两周一直在忙工作上的事情，实在是抽不出身继续我的“深度大业”，今晚终于有时间了，有时候工作确实耽误自己的学习，可是为了生存，不能不继续工作，谁不是负重前行着往前走呢？别瞎想，埋头干。