MTCNN算法理解及实现

Posted 2020-11-26 xjlearningai

论文：《Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks》

论文网址：https://arxiv.org/abs/1604.02878v1

一、总体框架

MTCNN通过不同的卷积神经网络，实现对人脸的识别以及人脸关键点检测。总的框架如下：

                                                                    图1 Pipeline

如图1所示为MTCNN的整体框架。

给定一张图片，需要将其resize成不同大小的图片，建立图像金字塔。这些不同size的图片是下面三个stage的输入。

stage1：首先使用全卷积网络（P-Net）获取候选框和他们的回归向量。然后使用估计的bounding box回归向量去标定候选框。然后再使用非极大值抑制（NMS）去合并高度重叠的候选框；

stage2：这一层使用一个提炼网络（Refine Network, R-Net）。所有stage1中的候选框传入R-Net，使用边界框回归（bounding box regression）以及NMS，使得消除更多假的候选框（false candidates）；

stage3：stage3使用一个输出网络（O-Net），该阶段与stage2相似。但是在这个阶段，我们的目标是更加详细地描述人脸。尤其是该网络将要输出5个人脸标记位置（facial landmarks‘ positions）。

 

二、CNN结构：

 许多的论文都设计CNN用于人脸检测。但是，这些论文都受到以下几个原因的限制：

1）许多filter缺乏权重多样性限制了他们产生有判别力的描述。

2）相比于其他的多分类物体检测和分类任务，人脸检测是一个具有挑战性的二分类任务，因此可能需要更少数量的filters但是需要对人脸更具有辨别力。为了这个目的，我们减少filter的数量，将5×5的filter变成3×3的filter，减少计算量。但是增加filter的深度去获取更好的性能。从而可以得到更好的性能，但是运行时间变少。CNN的结构如图2所示。

                                        图2 CNN的结构（MP-max polling，Conv—convolution, 卷积和池化的step分别为1和2）

 

三、训练

使用三个tasks训练CNN detector，分别为：人脸/非人脸分类，边界框回归以及人脸标记定位。

1）人脸分类

学习目标可以表述为二分类任务。对于每个样本$x_{i}$，我们使用交叉熵损失函数(cross-entropy loss)：

$L_{i}^{det}=-(y_{i}^{det}log(p_{i})+(1-y_{i}^{det})(1-log(p_{i})))$    (1)

其中，$p_{i}$是神经网络输出的概率，表示了一个样本是人脸的概率。$y_{i}^{det}in left {0,  1 ight }$，表示ground truth的标签。

2）边界框回归

对于每一个候选框，我们需要预测它与最近的ground truth的偏移，包括：左上坐标、高度和宽度。学习目标可以表述为回归问题，对于每一个样本$x_{i}$，我们使用欧式损失（Euclidean loss）:

$L_{i}^{box}=left | hat{y}_{i}^{box} - y_{i}^{box} ight |_{2}^{2}$    (2)

其中，$hat{y}_{i}^{box}$回归目标是从神经网络获得的（即网络的输出），$y_{i}^{box}$是ground truth。有4个坐标，包括：左上、高度和宽度，因此$y_{i}^{box}in mathbb{R}^{4}$。

3）人脸标记定位

和边界框回归任务相似，人脸标记定位可以表示为回归任务问题，使用最小化欧式损失：

$L_{i}^{landmark}=left | hat{y}_{i}^{landmark} - y_{i}^{landmark} ight |_{2}^{2}$   (3)

其中，$hat{y}_{i}^{landmark}$是从神经网络输出获得的人脸标记坐标，$ y_{i}^{landmark}$是ground truth。因为有5个人脸标记，包括：左眼睛、右眼睛、鼻子、嘴巴左边界和嘴巴右边界，因此$y_{i}^{landmark}in mathbb{R}^{4}$。

4）多数据源训练

因为我们在不同的CNN中执行不同的任务，所以在训练过程中，使用不同类型的训练图像数据，例如：人脸、非人脸和部分人脸数据。所以，一些损失函数（1-3公式）不会使用。例如，对于背景区域，我们仅仅计算$L_{i}^{det}$，另外两个损失设置为0，这个可以使用采样类型指示器实现。总的学习目标可以表示为：

$minsum _{i=1}^{N}sum _{jin det,box,landmark}alpha _{j}eta _{i}^{j}L_{i}^{j}$    (4)

其中，$N$为训练样本的数量。alpha_{j}表示人物的重要性（分别设置为：P-Net和R-Net中，$alpha_{det}=1,alpha_{box}=0.5,alpha_{landmark}=0.5$；O-Net为了获得更加精确的人脸标记点定位，在O-Net中，$alpha_{det}=1,alpha_{box}=0.5,alpha_{landmark}=1$）。$eta _{i}^{j}in left { 0,1 ight }$为采样类型指示器。使用随机梯度下降算法（SGD）训练CNNs。

5）在线困难样本挖掘

 不同于在原始分类训练完成之后执行传统的困难样本挖掘，我们采用在线困难样挖掘适应训练过程。

特别地，我们对前向传播过程计算出的损失进行分类，然后只采用其中的70%作为困难样本。然后我们在后向传播过程中，只计算困难样本的梯度。这也就意味着我们忽略简单样本，这些简单样本对增强训练过程的探测功能不太有帮助。

6）训练数据

因为我们联合执行人脸检测和人脸对齐，因此我们在训练过程中使用四种不同的数据标记。分别为：

6.1负样本：与图片中任何一个ground truth的IOU小于0.3的区域；

6.2正样本：与图片中任何一个ground truth的IOU大于0.65的区域；

6.3部分人脸：IOU介于0.4和0.65之间；

6.4标记人脸：标记5个人脸标记位置的图片；

其中，负样本和正样本用于人脸分类任务（即判别是人脸还是非人脸）；正样本和部分人脸用于边界框回归；人脸编辑样本用于人脸标记定位。每一个网络的训练数据可以如下表示：

①P-Net：从WIDER FACE数据集中随机裁剪获取正样本、负样本和部分人脸样本。然后，从CelebA数据裁剪人脸标记数据，需要resize成12×12；

②R-Net：将框架第一阶段的输出的proposal作为R-Net的输入，需要resize成24×24；

③O-Net ：输入是经过第二步筛选和refine过的人脸框，同样从原图抠出后统一resize到48*48，成批输入ONet。

后面阶段都是在前面阶段的基础上对训练结果进行调整。

 

四、测试阶段

如第一节的总体架构，首先使图像生成图像金字塔，生成多尺度的图像，然后输入P-Net（因为P-Net是全卷积网络，该网络的输出的featuremap上的每一个特征点都对应于输入图像上的12×12的区域，因此）。PNet由于尺寸很小，所以可以很快的选出候选区域，但是准确率不高，不同尺度上的判断出来的人脸检测框，然后采用NMS算法，合并候选框，然后根据候选框提取图像，之后缩放到24*24的大小，作为RNet的输入，RNet可以精确的选取边框，一般最后只剩几个边框，最后缩放到48*48的大小，输入ONet,判断后选框是不是人脸，ONet虽然速度较慢，但是由于经过前两个网络，已经得到了高概率的边框，所以输入ONet的图像较少，然后ONet输出精确的边框和关键点信息，只是在第三个阶段上才显示人脸特征定位；前两个阶段只是分类，不显示人脸定点的结果。

参考：https://blog.csdn.net/wfei101/article/details/79935037

 

五、项目实践

参考项目地址：GitHub

根据参考项目做一些调整，模型实现。

数据集下载：

这里使用的数据集是WIDER FACE以及CelebA。

 

训练过程如下：

source activate tensorflow

将目录cd到preprocess上
python gen_12net_data.py生成三种pnet数据，
python gen_landmark_aug.py 12 生成pnet的landmark数据，
python gen_imglist_pnet.py整理到一起，
python gen_tfrecords.py 12生成tfrecords文件
将目录cd到train上python train.py 12 训练pnet

将目录cd到preprocess上，
python gen_hard_example.py 12 生成三种rnet数据，
python gen_landmark_aug.py 24 生成rnet的landmark数据,
python gen_tfrecords.py 24生成tfrecords文件
将目录cd到train上python train.py 24 训练rnet

将目录cd到preprocess上，
python gen_hard_example.py 24 生成三种onet数据，
python gen_landmark_aug.py 48 生成onet的landmark数据,
python gen_tfrecords.py 48生成tfrecords文件
将目录cd到train上python train.py 48 训练onet

 

测试验证过程：

python test.py

 

结果：

 

代码理解及讲解如文件中的注释。

参考：https://www.ctolib.com/LeslieZhoa-tensorflow-MTCNN.html