MTCNN-Tensorflow

git clone https://github.com/AITTSMD/MTCNN-Tensorflow

mtcnn为一个多任务训练，物体框和特征点数据分别为两个数据集,

数据集1标记里物体框位置，因此只用与训练物体检测。

数据集2标记有物体框，特征点，用于训练特征点。

输入数据每行分别为，

path to image， cls_label， bbox_label， landmark_label

对于数据集1,随机裁剪物体框，根据物体框与ground truth bbox的IOU值，得到正、负、部分样本集，对于数据集1,没有特征点，特征点用0补充。

对于数据集2,提取特征点，并采取crop,flip,rotate方式进行数据增益，预测的时候，根据预测框，然后预测特征点，所以，输入bbox用0补充。

在训练的时候，用一个label值，标记当前的数据是用于训练物体框类别，物体框位置，还是特征点。

For pos sample,cls_label=1,bbox_label(calculate),landmark_label=[0,0,0,0,0,0,0,0,0,0].

For part sample,cls_label=-1,bbox_label(calculate),landmark_label=[0,0,0,0,0,0,0,0,0,0].

For landmark sample,cls_label=-2,bbox_label=[0,0,0,0],landmark_label(calculate).

For neg sample,cls_label=0,bbox_label=[0,0,0,0],landmark_label=[0,0,0,0,0,0,0,0,0,0].

数据准备

下载训练数据，

http://mmlab.ie.cuhk.edu.hk/projects/WIDERFace/ ,人脸框数据。

http://mmlab.ie.cuhk.edu.hk/projects/CelebA.html，特征点数据，作者发现celeba数据有些错误，于是使用了，http://mmlab.ie.cuhk.edu.hk/archive/CNN_FacePoint.htm。

将下载好的训练数据放在MTCNN-Tensorflow/prepare_data目录。

gen_12net_data.py

用于得到正、负样本框，对每张图片，得到50个负样本框（np.max(Iou) < 0.3），并将负样本框图片保存在 ‘…/…/DATA/12/negative’。

生成正样本框，iou >= 0.65，保存在…/…/DATA/12/positive/，u >= 0.4，保存在…/…/DATA/12/part/.

wider_face_train.txt为标注文件，每行为文件名，bbox1,bbox2,…,每个bbox对应为box的四个点的坐标，

im_path = annotation[0]
#print(im_path)
#boxed change to float type
bbox = list(map(flo