FDDB 评估代码

Posted 2023-03-16

【中文标题】FDDB 评估代码

【英文标题】：FDDB evaluation code

【发布时间】：2018-11-05 15:42:40

【问题描述】：

我正在研究 opencv 和 dlib，以便在大学项目中使用人脸检测器，而我对机器学习和计算机视觉这整个事情真的很陌生。如何使用来自FDDB 的评估代码来评估我的人脸检测代码？我正在使用 dlib 的 CNN 方法从图像中检测人脸。

import cv2
import dlib

image = cv2.imread('..\\pessoas\\beatles.jpg')

detector = dlib.cnn_face_detection_model_v1("..\\mmods\\mmod_human_face_detector.dat")
detectedFaces = detector(image)

for face in detectedFaces:
    l, t, r, b, c = (int(face.rect.left()), int(face.rect.top()), int(face.rect.right()), int(face.rect.bottom()),
                 face.confidence)
    cv2.rectangle(image, (l, t), (r, b), (255, 0, 0), 2)

cv2.imshow("CNN Detector", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

如您所见，代码非常简单，但我必须计算精度、召回率和 F1 分数来绘制 ROC 曲线，而且我还不知道该怎么做，项目的自述文件github 没有帮助。

【参考方案1】：

对于我在ubuntu16中，我必须通过以下步骤来完成：

下载fddb原始图像数据集，你检测到人脸并得到检测结果。你可以下载它here。这是我的目录：

将所有图片文件路径加入一个txt文件，将所有fddb注解加入一个txt文件。 您可以下载所有文件here

对我来说，我将所有FDDB-FOLD-%d.txt 移动到目录all_file_path，然后通过cat * > filePath.txt 将它们加入到一个文件中

将所有FDDB-fold-%d-ellipseList.txt 加入cat *ellipse*.txt > annotFile.txt 的一个txt

注意你可能不需要创建它，因为runEvaluate.pl在运行过程中已经为你做了。

3.创建FDDB evalute exe，这里下载源代码here 然后编译，可以改makefile，看原因here，添加

INCS = -I/usr/local/include/opencv

LIBS = -L/usr/local/lib -lopencv_core -lopencv_imgproc -lopencv_highgui
       -lopencv_ml -lopencv_video -lopencv_features2d -lopencv_calib3d 
       -lopencv_objdetect -lopencv_contrib -lopencv_legacy

到 make 文件。

评估，你可以使用runEvaluate.pl来评估它，但是对于我（ubuntu16），我不能直接运行它。

4.1 更改GUNPLOT 路径（您应该先安装gnuplot 使用它来创建ROC 映像）

4.2 我使用矩形检测模型，所以我把$detFormat改为0。

my $detFormat = 0; # 0: rectangle, 1: ellipse 2: pixels

4.3 所有图片的相对路径：

my $listFile ="/home/xy/face_sample/evaluation/compareROC/FDDB-folds/filePath.txt";

4.4 所有图片标注

my $annotFile = "/home/xy/face_sample/evaluation/compareROC/FDDB-folds/annotFile.txt";

4.5 你要生成的roc文件（由evaluate exe创建）：

my $gpFile ="/home/xy/face_sample/evaluation/compareROC/createROC.p";

4.6 你的检测文件（我稍后会给出如何创建它）

my $detFile ="/home/xy/face_sample/evaluation/compareROC/detDir/fddb_rect_ret1.txt";

It’s content like that:

'runEvaluate.pl'有一些错误，将执行评估更改为以下：

system($evaluateBin, "-a", $annotFile, "-d", $detFile, "-f", $detFormat, "-i", $imDir, "-l", $listFile, "-r", $detDir, "-z", ".jpg");

你也可以使用命令查看：

xy@xy:~/face_sample/evaluation/compareROC$ ./evaluate \
> -a /home/xy/face_sample/evaluation/compareROC/FDDB-folds/annotFile.txt \
> -d /home/xy/face_sample/evaluation/compareROC/detDir/fddb_rect_ret1.txt \
> -f 0 \
> -i /home/xy/face_sample/evaluation/compareROC/originalPics/ \
> -l /home/xy/face_sample/evaluation/compareROC/FDDB-folds/filePath.txt \
> -r /home/xy/face_sample/evaluation/compareROC/detDir/ \
> -z .jpg

使用python创建fddb评估txt文件：

def get_img_relative_path():
    """
    :return: ['2002/08/11/big/img_344', '2002/08/02/big/img_473', ......]
    """
    f_name = 'E:/face_rec/face__det_rec_code/face_det/FDDB-folds/all_img_files.txt'
    lst_name = open(f_name).read().split('\n')

    return lst_name

def write_lines_to_txt(lst):
    # lst = ['line1', 'line2', 'line3']
    f_path = 'fddb_rect_ret.txt'
    with open(f_path, 'w') as fp:

        for line in lst:
            fp.write("%s\n" % line)

# For example use opencv to face detection
def detect_face_lst(img):
    """
    :param img: opencv image 
    :return: face rectangles [[x, y, w, h], ..........]
    """
    m_path = 'D:/opencv/sources/data/haarcascades/haarcascade_frontalface_default.xml'
    face_cascade = cv2.CascadeClassifier(m_path)

    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    faces = face_cascade.detectMultiScale(gray, 1.3, 5)

    return faces


def generate_fddb_ret():
    # The directory from which we get the test images from FDDB
    img_base_dir = 'E:/face_rec/face__det_rec_code/face_det/originalPics/'

    # All the images relative path, like '['2002/08/11/big/img_344', '2002/08/02/big/img_473', ......]'
    lst_img_name = get_img_relative_path()

    # Store detect result, like:
    # ['2002/08/11/big/img_344', '1', '10 10 50 50 1', .............]
    lst_write2_fddb_ret = []

    try:
        for img_name in lst_img_name:
            img_full_name = img_base_dir + img_name + '.jpg'
            img = cv2.imread(img_full_name)

            if img == None:
                print 'error %s not exists, can not generate complete fddb evaluate file' % img_full_name
                return -1

            lst_face_rect = detect_face_lst(img)

            # append img name like '2002/08/11/big/img_344'
            lst_write2_fddb_ret.append(img_name)

            face_num = len(lst_face_rect)
            # append face num, note if no face 0 should be append
            lst_write2_fddb_ret.append(str(face_num))

            if face_num > 0:
                # append each face rectangle x y w h score
                for face_rect in lst_face_rect:
                    # append face rectangle x, y, w, h score
                    # note: opencv hava no confidence so use 1 here
                    s_rect = " ".join(str(item) for item in face_rect) + " 1"
                    lst_write2_fddb_ret.append(s_rect)

    except Exception as e:
        print 'error %s , can not generate complete fddb evaluate file' % e
        return -1

    # Write all the result to txt for FDDB evaluation
    write_lines_to_txt(lst_write2_fddb_ret)

运行上述代码后，您可以创建 FDDB 结果：

注意：在windows中创建上述txt时，如果在ubuntu中测试可能会报如下错误Incompatible annotation and detection files. See output specifications:

只需将内容复制到一个新的txt文件（在ubuntu中创建）即可解决。

结果如下：

一些提示：

你可以看到runEvaluate.pl 不难，上面的修改可能不需要。你也可以修改runEvaluate.pl中的一些变量，比如$GNUPLOT，$imDir等等。 将"-z", ".jpg" 添加到 系统（$evaluateBin，“-a”，$annotFile，“-d”，$detFile，“-f”，$detFormat，“-i”，$imDir，“-l”，$listFile，“-r”， $detDir);

system($evaluateBin, "-a", $annotFile, "-d", $detFile, "-f", $detFormat, "-i", $imDir, "-l", $listFile, "- r", $detDir, "-z", ".jpg");

您也可以阅读evaluate代码（主要是容易理解的evaluate.cpp），这样您就可以深入了解如何评估它。

【参考方案2】：

你能解释一下你所处的步骤吗？

您需要从以下位置下载标记数据： http://vis-www.cs.umass.edu/fddb/ 上面写着：下载数据库

之后需要下载结果源代码： http://vis-www.cs.umass.edu/fddb/results.html

然后你需要修改你的程序，使输出看起来像这样：

2002/08/11/big/img_591
1
191 88 164 163 0
2002/08/26/big/img_265
3
52 39 95 95 0
282 59 114 114 0

首先是图像的名称， 然后是该图像中的面孔数量， 然后每个面的坐标并重复...

我建议您在 linux 上构建 评估，因为它要容易得多（至少对我来说是这样）。

希望对你有帮助。