本文主要是介绍MTCNN算法详解，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
MTCNN:基于多任务卷积神经网络的人脸检测
本文特点：
①提出结合face detection和alignment的轻量级级联网络
②online hard sample mining
网络结构
输入图像resize
minsize是指图片中需要识别的人脸的最小尺寸(单位：px)；factor是指每次对边缩放的倍数，文中使用的factor是0.709 ，原因是将长和宽各缩小一半的话，面积就变为了1/4，这样的缩放幅度太大了，因此使用了0.709≈ sqrt(2)/2，这样面积就只缩小了一半。
第一阶段会多次缩放原图得到图片金字塔，目的是为了让缩放后图片中的人脸与P-NET训练时候的图片尺度(12px * 12px)接近。
先把原图等比缩放`12/minsize，再按缩放因子factor(例如0.5)用上一次的缩放结果不断缩放，直至最短边小于或等于12。minsize越大，生成的“金字塔”层数越少，resize和P-Net的计算量越小。
P-Net
输入：resize为12*12的图片和预训练框
输出：人脸候选框坐标，人脸的置信度和人脸5个特征点
因为这个模型是结合了人脸分类、人脸检测和人脸特征点，所以有三部分输出（上图的三个子网络都有三部分输出）
人脸框坐标对应问题
计算输入图像（就是矩阵）上一个左上角坐标(X, Y)、宽和高都是12的区域，经过P-NET的卷积和池化操作，对应于了1*1*32维矩阵上的(X/2 – 5 , Y/2 – 5)
R-Net
输入：P-Net计算出来的人脸候选框，还有resize中24*24大小的图片
输出：人脸候选框坐标，人脸的置信度和人脸5个特征点
O-Net
输入：R-Net输出的人脸候选框和resize为48*48的图片
输出：人脸候选框坐标，人脸的置信度和人脸5个特征点
从上面的结构图中可以看到，三种网络结构非常相似，R-Net和O-Net中都有全连接，因此这两部分不能输入任意尺寸的图片。
online hard sample mining
每个mini-batch，由高到低排序前向传播中计算中损失值，选取前70%的samples进行反向传播计算
结果
16 fps 2.60GHz CPU and 99fps on GPU (Nvidia Titan Black).
这篇关于MTCNN算法详解的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
