用Retinaface_pytorch项目检测人脸+ Python 3 剪切人脸图片并保存

概述

因为我的项目中缺一不可的一部分是提取人脸特征，因为以前并没有接触过人脸的项目，所以想把自己每次的一点点进步和学习都记录下来，这次是记录我学习切割人脸图片并保存，以及将人脸检测框和五个特征点坐标信息保存在.txt文件中。
这篇文档的方法一要稍微复杂一点点，我结合Retinaface_pytorch项目中的detect.py（检测单张图片）来检测人脸，并通过以下方法一成功的剪切出人脸，并保存特征点信息。方法二要更简单一些，相当于我用一行代码代替了方法二中的多行代码，并实现了批量检测并切割人脸图片并保存。

• 首先附上Retinaface_pytorch项目的GitHub链接：

https://github.com/biubug6/Pytorch_Retinaface

一. 复现Retinaface_pytorch

根据Retina_pytorch项目在GitHub上给出的教程来复现Retinaface_pytorch项目的预训练模型。跑通项目中的detect.py，改变程序中的图片路径你可以试一下检测自己的单张照片。确保detect.py可以正常检测人脸。

• 运行效果图：
  

二.剪切人脸图（方法一）

1. 方法简述

参考：Python 3 利用 Dlib 实现人脸检测和剪切
这一篇博客介绍了利用 Python 开发，借助 Dlib 库进行人脸检测 / face detection 和剪切。里面既讲了将检测到的人脸剪切下来，依次排序平铺显示在新的图像上，也讲了将检测到的人脸存储为单个人脸图像，讲的很清晰明了。主要的大概思路就是根据检测到的人脸框坐标，计算人脸框的大小，根据这个人脸框大小生成空白的图片，接着再将人脸的图的像素点依次填充在空白图上，完成人脸的剪切。

• 将检测到的人脸剪切下来，依次排序平铺显示在新的图像上（效果图）
  

• 将检测到的人脸存储为单个人脸图像（效果图）
  

2. Retinaface_pytorch的detect.py检测单张图片中的人脸+剪切单个人脸图

#调用相关模块和包
from __future__ import print_function
import os
import argparse
import torch
import torch.backends.cudnn as cudnn
import numpy as np
from data import cfg_mnet, cfg_re50
from layers.functions.prior_box import PriorBox
from utils.nms.py_cpu_nms import py_cpu_nms
import cv2
from models.retinaface import RetinaFace
from utils.box_utils import decode, decode_landm
import time

parser = argparse.ArgumentParser(description='Retinaface')
#设置供选择的参数（基本上保持Retinaface_pytorch中detect.py的代码不变添加或改动了几个参数使得该项目默认在CPU上运行）
parser.add_argument('-m', '--trained_model', default='./weights/Resnet50_Final.pth',
                    type=str, help='Trained state_dict file path to open')
parser.add_argument('--network', default='resnet50', help='Backbone network mobile0.25 or resnet50')
parser.add_argument('--cpu', action="store_true", default=True, help='Use cpu inference')
parser.add_argument('--confidence_threshold', default=0.02, type=float, help='confidence_threshold')
parser.add_argument('--top_k', default=5000, type=int, help='top_k')
parser.add_argument('--nms_threshold', default=0.4, type=float, help='nms_threshold')
parser.add_argument('--keep_top_k', default=750, type=int, help='keep_top_k')
parser.add_argument('-s', '--show_image', action="store_true", default=False, help='show detection results')
parser.add_argument('--vis_thres', default=0.6, type=float, help='visualization_threshold')
parser.add_argument('--show_cutting_image', action ="store_true", default =True, help = 'show_crop_images')
parser.add_argument('--save_folder', default='curve/', type=str, help='Dir to save results')
args = parser.parse_args()

#保持源代码不变
def check_keys(model, pretrained_state_dict):
    ckpt_keys = set(pretrained_state_dict.keys())
    model_keys = set(model.state_dict().keys())
    used_pretrained_keys = model_keys & ckpt_keys
    unused_pretrained_keys = ckpt_keys - model_keys
    missing_keys = model_keys - ckpt_keys
    print('Missing keys:{}'.format(len(missing_keys)))
    print('Unused checkpoint keys:{}'.format(len(unused_pretrained_keys))