MTCNN人脸检测识别笔记

论文：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
论文链接：https://arxiv.org/abs/1604.02878
官方代码链接：https://github.com/kpzhang93/MTCNN_face_detection_alignment
其他代码实现（MXNet）：https://github.com/pangyupo/mxnet_mtcnn_face_detection

一 模型及流程概览

       使用mtcnn神经网络进行人脸检测是目前比较主流的方式，相较于传统的人脸检测方法，mtcnn更能够适用各种自然条件下复杂的人脸场景。mtcnn是两年前发表的成果，在原作者实现的时候先后有两个版本：V1和V2。V1就是用matlab实现的论文《Joint Face Detection and Alignment using Multi-task Cascaded  Convolutional Neural Networks》，V2在V1的stage3后又添加了一个stage4，以实现更精确的回归。

       训练前，对图像做了multi scale的resize，构成了图像金字塔，然后这些不同scale的图像作为3个stage的输入进行训练，目的是为了可以检测不同scale的人脸。

　　将图像进行多级scale操作（除了第一次resize，每次resize操作使得待检测图片的面积变为之前的一半），如果最小边长小于12，则停止scale操作；对于720p的图片来说，一共会进行11次scale： [0.6, 0.4242640687119285, 0.3, 0.21213203435596426, 0.15, 0.10606601717798213, 0.075, 0.053033008588991064, 0.0375, 0.026516504294495532, 0.01875]；然后将11个不同尺度的图片送入P-Net；

MTCNN由三个子模型组成，由粗到细（coarse-to-fine）生成结果：

P（Proposal）-Net：浅层的全卷积神经网络CNN快速产生候选窗体和边界回归向量，利用NMS方法去除重叠窗体。在训练阶段，顶部有3条支路用来分别做人脸分类、人脸框的回归和人脸关键点定位；在推理阶段，输出只有N个bounding box的4个坐标信息和score，当然这4个坐标信息已经用回归支路的输出进行修正了，score可以看做是人脸的概率，具体可以看代码。

R（Refine）-Net：通过更复杂的全连接CNN精炼候选窗体，利用边界框向量微调候选窗体，再利用NMS去除重叠窗体，丢弃大量的重叠窗体。输入是P-Net中得到的大量bounding box并都被resize成24*24尺寸。同样在推理阶段，这一步的输出只有M个bounding box的4个坐标信息和score，4个坐标信息也用回归支路的输出进行修正了。

O（Output）-Net：网络结构比R-Net多一层卷积，功能与R-Net作用一样，只是在去除重叠候选窗口的同时，显示五个人脸关键点定位。输入大小调整为48*48，输出包含P个bounding box的4个坐标信息、score和关键点信息。

二、损失函数

1. face classification

判定是否包含face的二分类问题，采用交叉熵损失函数

2.bounding box regression

回归检测人脸包围盒，使用L2 loss

3.facial landmark localization

4. 权值平衡

不同的阶段对应的损失函数组合不一样，权重也不一样，因此定义了公式4用来控制对不同的输入计算不同的损失。可以在出，在P-Net和R-Net中，关键点的损失权重（α）要小于O-Net部分，这是因为前面2个stage重点在于过滤掉非人脸的bbox。β存在的意义是比如非人脸输入，就只需要计算分类损失，而不需要计算回归和关键点的损失。

三 模型细节

• PNet

图片尺寸：12*12*3

卷积层一 ： [in_channel（3）, shape（3）, shape（3）, out_channel（10）]      激活PReLU  MaxPool

卷积层二 ： [in_channel（10）, shape（3）, shape（3）, out_channel（16）]    激活PReLU  MaxPool

卷积层三 ： [in_channel（16）, shape（3）, shape（3）, out_channel（32）]    激活PReLU 

卷积层四_一 ： [in_channel（32）, shape（1）, shape（1）, out_channel（2）]    conv4-1  激活Softmax 到 prob1层 对应人脸概率的得分

卷积层四_二 ： [in_channel（32）, shape（1）, shape（1）, out_channel（4）]    conv4-2

卷积层三为1x1卷积核得到PNet输出。PNet层输出分为3部分：

1). face classification：图像中包含人脸的概率

2). bounding box：输出矩形框位置信息

3). facial landmark localization：5个关键点位置。

rnet: 24x24x3, onet:48x48x3

三、人脸对齐的一些笔记