MTCNN（使用多任务级联卷积神经网络方法人脸检测和对齐）算法详解和应用

1.前言

人脸识别是一个复杂的过程，首先需要检测到图片或者视频中（视频中可以分解图片）的人脸，然后从图片中裁剪出人脸框；然后根据预测出人脸框中人脸关键点，根据关键点校正对其人脸。然后使用一些网络（比如facenet）提取校正后人脸的特征，通过算法（KNN）计算人脸特征向量和要匹配人脸特征的空间距离，距离最近的可以认为是可以匹配的人脸。 

人脸检测（包括人脸分类，人脸框预测），人脸关键点（比如，眼睛，嘴角，鼻尖等）检测（用来人脸对齐），一般的方法是构建并训练出两个网络模型分别来完成这两个任务,这种方法忽略两个任务之间的关联性。传统的使用Harr-Like特征( Haar-like特征是计算机视觉领域一种常用的特征描述算子,用于人脸描述)结合AdaBoost实现高性能实时检测和识别，但是Haar-Like特征提取容易受环境光照影响,检测效果的鲁棒性差。卷积神经网络在图形特征提出方面鲁棒性好广泛用于图像识别，图像分类等方面，MTCNN（Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks）采用多任务卷积神经网络同时完成这两个任务的同时提升了检测鲁棒性，简化了整个人脸检测和对齐流程。

2.MTCNN网络结构介绍

 多任务级联神经网络算法该算法分成三个阶段：

（1）Pnet使用浅层较CNN和小尺寸输入图片快速提取出人脸候选框。

（2）通过更复杂的CNN和较大的输入图片精炼候选窗体，去除重叠的窗口。

（3）使用更加强大的CNN，实现候选窗体去留和人脸关键点的回归预测。

未完待续》》》》》》》》》》》》》》》》》》》》》》》