基于tensorflow的多任务级联卷积神经网络人脸检测
mtcnn的Python项目详细描述
MTCNN
python3.4+中张量流mtcnn人脸检测的实现。它是从头开始编写的，使用 来自facenet中david sandberg（FaceNet’s MTCNN）的mtcnn。这是基于论文zhang，k等人。（2016年）[ZHANG2016]。
安装
目前只支持python3.4以后的版本。它可以通过pip安装：
$ pip3 install mtcnn
此实现需要在系统中安装opencv>；=3.2和tensorflow>；=1.4.0，并绑定python3。
它们可以通过PIP安装（如果PIP版本>；=9.0.1）：
$ pip3 install tensorflow==1.4.1 opencv-contrib-python==3.2.0.8
或者直接从源代码（OpenCV3，Tensorflow）编译。
请注意，如果系统上有可用的GPU设备，则可以使用TensorFlow GPU版本，这将加快结果的速度。它可以与pip一起安装：
$ pip3 install tensorflow-gpu\>=1.4.0
用法
下面的示例演示了此软件包的易用性：
>>>frommtcnn.mtcnnimportMTCNN>>>importcv2>>>>>>img=cv2.imread("ivan.jpg")>>>detector=MTCNN()>>>print(detector.detect_faces(img))[{'box':[277,90,48,63],'keypoints':{'nose':(303,131),'mouth_right':(313,141),'right_eye':(314,114),'left_eye':(291,117),'mouth_left':(296,143)},'confidence':0.99851983785629272}]
检测器返回一个json对象列表。每个json对象包含三个主键：“box”、“confidence”和“keypoints”：
- 边框的格式为[x，y，width，height]，位于“box”键下。
- 置信度是边界框匹配面的概率。
- 这些关键点被格式化为一个json对象，其中有“left-eye”、“right-eye”、“nose”、“mouth-left”、“mouth-right”键。每个关键点由像素位置（x，y）标识。
另一个很好的用法示例可以在这个存储库根目录中的文件“example.py”中找到。
基准
下表显示了这个mtcnn实现在Intel i7-3612QM CPU @ 2.10GHz上运行的基准，它基于cputensorflow 1.4.1。
- Pictures containing a single frontal face:
| Image size | Total pixels | Process time | FPS |
|---|---|---|---|
| 460x259 | 119,140 | 0.118 seconds | 8.5 |
| 561x561 | 314,721 | 0.227 seconds | 4.5 |
| 667x1000 | 667,000 | 0.456 seconds | 2.2 |
| 1920x1200 | 2,304,000 | 1.093 seconds | 0.9 |
| 4799x3599 | 17,271,601 | 8.798 seconds | 0.1 |
- Pictures containing 10 frontal faces:
| Image size | Total pixels | Process time | FPS |
|---|---|---|---|
| 474x224 | 106,176 | 0.185 seconds | 5.4 |
| 736x348 | 256,128 | 0.290 seconds | 3.4 |
| 2100x994 | 2,087,400 | 1.286 seconds | 0.7 |
型号
默认情况下，mtcnn捆绑了一个人脸检测权重模型。
该模型改编自facenet的mtcnn实现，合并到一个单独的文件中，该文件位于相对 到模块的路径。它可以通过在实例化期间将其注入mtcnn（）构造函数来重写。
模型必须是基于numpy的，包含3个主要键“pnet”、“rnet”和“onet”，每个键都具有网络各层的权重。
有关网络定义的更多参考，请仔细阅读来自zhang等人的论文。（2016年）[ZHANG2016]。
许可证
欢迎加入QQ群-->： 979659372
