MTCNN人脸及特征点检测---代码应用详解（基于ncnn架构）
来源：互联网 发布：所以国家域名后缀 编辑：程序博客网 时间：2024/05/16 18:32
本博记录为卤煮理解，如有疏漏，请指正。转载请注明出处。
卤煮：非文艺小燕儿
本博地址：MTCNN人脸及特征点检测---代码应用详解
本文主要讲述当你拿到MTCNN的caffemodel后，如何使用它对一张图里的人脸进行检测和特征点标定。
相当于一个代码实现的解释。因为最近卤煮在用ncnn，所以该代码也是基于ncnn架构做的。 caffe架构同理。
如果你对MTCNN这篇论文还不熟悉，建议先去看原理。也可以用我之前写的相关博客做参考：
MTCNN解读：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks
1. MTCNN关键参数
nms_threshold：非极大值抑制nms筛选人脸框时的IOU阈值，三个网络可单独设定阈值，值设置的过小，nms合并的少，会产生较多冗余计算。示例nms_threshold[3] = { 0.5, 0.7, 0.7 };。
threshold：人脸框得分阈值，三个网络可单独设定阈值，值设置的太小，会有很多框通过，也就增加了计算量，还有可能导致最后不是人脸的框错认为人脸。示例threshold[3] = {0.8, 0.8, 0.8};
minsize ：最小可检测图像，该值大小，可控制图像金字塔的阶层数的参数之一，越小，阶层越多，计算越多。示例minsize = 40;
factor ：生成图像金字塔时候的缩放系数, 范围(0,1)，可控制图像金字塔的阶层数的参数之一，越大，阶层越多，计算越多。示例factor = 0.709;
输入图片的尺寸，minsize和factor共同影响了图像金字塔的阶层数。用户可根据自己的精度需求进行调控。
MTCNN整体过程只管图示如下：
2. 生成图像金字塔
前面提到，输入图片的尺寸，minsize和factor共同影响了图像金字塔的阶层数。也就是说决定能够生成多少张图。
缩放后的尺寸minL=org_L*(12/minisize)*factor^(n)，n={0,1,2,3,...,N}，缩放尺寸最小不能小于12，也就是缩放到12为止。n的数量也就是能够缩放出图片的数量。
看到上面这个公式应该就明白为啥那三个参数能够影响阶层数了吧。
3. Pnet运算
一般Pnet只做检测和人脸框回归两个任务。忽略下图中的Facial landmark。
虽然网络定义的时候input的size是12*12*3，由于Pnet只有卷积层，我们可以直接将resize后的图像喂给网络进行前传，只是得到的结果就不是1*1*2和1*1*4，而是m*m*2和m*m*4了。这样就不用先从resize的图上截取各种12*12*3的图再送入网络了，而是一次性送入，再根据结果回推每个结果对应的12*12的图在输入图片的什么位置。
针对金字塔中每张图，网络forward计算后都得到了人脸得分以及人脸框回归的结果。人脸分类得分是两个通道的三维矩阵m*m*2，其实对应在网络输入图片上m*m个12*12的滑框，结合当前图片在金字塔图片中的缩放scale，可以推算出每个滑框在原始图像中的具体坐标。
首先要根据得分进行筛选，得分低于阈值的滑框，排除。
然后利用nms非极大值抑制，对剩下的滑框进行合并。nms具体解释，可以参照我上一篇博客：NMS非极大值抑制：用擂台赛带你从原理到代码脑洞大开恍然大悟
当金字塔中所有图片处理完后，再利用nms对汇总的滑框进行合并，然后利用最后剩余的滑框对应的Bbox结果转换成原始图像中像素坐标，也就是得到了人脸框的坐标。
所以，Pnet最终能够得到了一批人脸框。
3. Rnet
Rnet仍然只做检测和人脸框回归两个任务。忽略下图中的Facial landmark。
Rnet的作用是对Pnet得到的人脸框进一步打分筛选，回归人脸框。
将Pnet运算出来的人脸框从原图上截取下来，并且resize到24*24*3，作为Rnet的输入。输出仍然是得分和BBox回归结果。
对得分低于阈值的候选框进行抛弃，剩下的候选框做nms进行合并，然后再将BBox回归结果映射到原始图像的像素坐标上。
所以，Rnet最终得到的是在Pnet结果中精选出来的人脸框。
4. Onet
Onet将检测，人脸框回归和特征点定位，一起做了。
Onet的作用是对Rnet得到的人脸框进一步打分筛选，回归人脸框。同时在每个框上都计算特征点位置。
将Rnet运算出来的人脸框从原图上截取下来，并且resize到48*48*3，作为Onet的输入。输出是得分，BBox回归结果以及landmark位置数据。
分数超过阈值的候选框对应的Bbox回归数据以及landmark数据进行保存。
将Bbox回归数据以及landmark数据映射到原始图像坐标上。
再次实施nms对人脸框进行合并。
经过这层层筛选合并后，最终剩下的Bbox以及其对应的landmark就是我们苦苦追求的结果了。
下面附上代码：（代码以https://github.com/ElegantGod/ncnn/tree/master/mtcnn为base，卤煮在上面做了很多注释以及稍许修改，以助于理解）
#include <stdio.h>#include <algorithm>#include <vector>#include <math.h>#include <iostream>#include <time.h>#include <opencv2/core/core.hpp>#include <opencv2/highgui/highgui.hpp>#include "net.h"#include"cpu.h"using namespace std;using namespace cv;struct Bbox{ float score; int x1; int y1; int x2; int y2; float area; bool exist; float ppoint[10]; float regreCoord[4];};struct orderScore{ float score; int oriOrder;};void resize_image(ncnn::Mat& srcImage, ncnn::Mat& dstImage){int src_width = srcImage.w;int src_height = srcImage.h;int src_channel = srcImage.c;int dst_width = dstImage.w;int dst_height = dstImage.h;int dst_channel = dstImage.c;if (src_width == dst_width && src_height == dst_height){memcpy(dstImage.data, srcImage.data, src_width*src_height*src_channel*sizeof(float));return;}float lf_x_scl = static_cast<float>(src_width) / dst_width;float lf_y_Scl = static_cast<float>(src_height) / dst_height;const float* src_data = srcImage.data;float* dest_data = dstImage.data;int src_area = srcImage.cstep;int src_area2 = 2 * src_area;int dst_area = dstImage.cstep;int dst_area2 = 2 * dst_area;for (int y = 0; y < dst_height; y++) {for (int x = 0; x < dst_width; x++) {float lf_x_s = lf_x_scl * x;float lf_y_s = lf_y_Scl * y;int n_x_s = static_cast<int>(lf_x_s);n_x_s = (n_x_s <= (src_width - 2) ? n_x_s : (src_width - 2));int n_y_s = static_cast<int>(lf_y_s);n_y_s = (n_y_s <= (src_height - 2) ? n_y_s : (src_height - 2));float lf_weight_x = lf_x_s - n_x_s;float lf_weight_y = lf_y_s - n_y_s;float dest_val_b = (1 - lf_weight_y) * ((1 - lf_weight_x) *src_data[n_y_s * src_width + n_x_s] +lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1]) +lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s] +lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1]);float dest_val_g = (1 - lf_weight_y) * ((1 - lf_weight_x) *src_data[n_y_s * src_width + n_x_s + src_area] +lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1 + src_area]) +lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s + src_area] +lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1 + src_area]);float dest_val_r = (1 - lf_weight_y) * ((1 - lf_weight_x) *src_data[n_y_s * src_width + n_x_s + src_area2] +lf_weight_x * src_data[n_y_s * src_width + n_x_s + 1 + src_area2]) +lf_weight_y * ((1 - lf_weight_x) * src_data[(n_y_s + 1) * src_width + n_x_s + src_area2] +lf_weight_x * src_data[(n_y_s + 1) * src_width + n_x_s + 1 + src_area2]);dest_data[y * dst_width + x] = static_cast<float>(dest_val_b);dest_data[y * dst_width + x + dst_area] = static_cast<float>(dest_val_g);dest_data[y * dst_width + x + 2 * dst_area] = static_cast <float>(dest_val_r);}}}bool cmpScore(orderScore lsh, orderScore rsh){ if(lsh.score<rsh.score) return true; else return false;}class mtcnn{public: mtcnn(); void detect(ncnn::Mat& img_, std::vector<Bbox>& finalBbox);cv::Mat cp_img;private: void generateBbox(ncnn::Mat score, ncnn::Mat location, vector<Bbox>& boundingBox_, vector<orderScore>& bboxScore_, float scale); void nms(vector<Bbox> &boundingBox_, std::vector<orderScore> &bboxScore_, const float overlap_threshold, string modelname="Union"); void refineAndSquareBbox(vector<Bbox> &vecBbox, const int &height, const int &width); ncnn::Net Pnet, Rnet, Onet; ncnn::Mat img;float nms_threshold[3];// = { 0.5, 0.7, 0.7 };float threshold[3];// = {0.8, 0.8, 0.8};float mean_vals[3];// = {127.5, 127.5, 127.5};float norm_vals[3];// = {0.0078125, 0.0078125, 0.0078125}; std::vector<Bbox> firstBbox_, secondBbox_,thirdBbox_; std::vector<orderScore> firstOrderScore_, secondBboxScore_, thirdBboxScore_; int img_w, img_h;};mtcnn::mtcnn(){for (int i = 0; i < 3; i++){nms_threshold[i]=0.7;// = { 0.5, 0.7, 0.7 };threshold[i]=0.7;// = {0.8, 0.8, 0.8};mean_vals[i]=127.5;// = {127.5, 127.5, 127.5};norm_vals[i]=0.0078125;// = {0.0078125, 0.0078125, 0.0078125};}nms_threshold[0] = 0.5; Pnet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det1.param"); Pnet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det1.bin"); Rnet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det2.param"); Rnet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det2.bin"); Onet.load_param("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det3.param"); Onet.load_model("E:/Algrithm/MTCNN/MTCNN-master/mtcnn_caffe/model/det3.bin");//cp_img.create(295, 413, CV_8UC3);//const char* imagepath = "E:/Algrithm/ncnn/ncnn/x64/Release/test3.jpg";// argv[1];//cp_img = cv::imread(imagepath);}/******************generateBbox******************************///根据Pnet的输出结果，由滑框的得分，筛选可能是人脸的滑框，并记录该框的位置、人脸坐标信息、得分以及编号void mtcnn::generateBbox(ncnn::Mat score, ncnn::Mat location, std::vector<Bbox>& boundingBox_, std::vector<orderScore>& bboxScore_, float scale){ int stride = 2;//Pnet中有一次MP2*2，后续转换的时候相当于stride=2； int cellsize = 12; int count = 0; //score p float *p = score.channel(1);//score.data + score.cstep;//判定为人脸的概率 //float *plocal = location.data; Bbox bbox; orderScore order;//float max_p = 0; for(int row=0;row<score.h;row++){ for(int col=0;col<score.w;col++){//printf("Pnet prob: %f\n", *p);//if (*p>max_p)//{//max_p = *p;//} if(*p>threshold[0]){ bbox.score = *p;//记录得分 order.score = *p; order.oriOrder = count;//记录有效滑框的编号 bbox.x1 = round((stride*col+1)/scale);//12*12的滑框，换算到原始图像上的坐标 bbox.y1 = round((stride*row+1)/scale); bbox.x2 = round((stride*col+1+cellsize)/scale); bbox.y2 = round((stride*row+1+cellsize)/scale); bbox.exist = true; bbox.area = (bbox.x2 - bbox.x1)*(bbox.y2 - bbox.y1); for(int channel=0;channel<4;channel++) bbox.regreCoord[channel]=location.channel(channel)[0];//人脸框的坐标相关值 boundingBox_.push_back(bbox); bboxScore_.push_back(order); count++; } p++; //plocal++; } }//printf("Pnet max prob: %f\n",max_p);}/**********************nms非极大值抑制****************************/void mtcnn::nms(std::vector<Bbox> &boundingBox_, std::vector<orderScore> &bboxScore_, const float overlap_threshold, string modelname){ if(boundingBox_.empty()){ return; } std::vector<int> heros; //sort the score sort(bboxScore_.begin(), bboxScore_.end(), cmpScore);//cmpScore指定升序排列 int order = 0; float IOU = 0; float maxX = 0; float maxY = 0; float minX = 0; float minY = 0;//规则，站上擂台的擂台主，永远都是胜利者。 while(bboxScore_.size()>0){ order = bboxScore_.back().oriOrder;//取得分最高勇士的编号ID。 bboxScore_.pop_back();//勇士出列 if(order<0)continue;//死的？下一个！（order在(*it).oriOrder = -1;改变） heros.push_back(order);//记录擂台主ID boundingBox_.at(order).exist = false;//当前这个Bbox为擂台主，签订生死簿。 for(int num=0;num<boundingBox_.size();num++){ if(boundingBox_.at(num).exist){//活着的勇士 //the iou maxX = (boundingBox_.at(num).x1>boundingBox_.at(order).x1)?boundingBox_.at(num).x1:boundingBox_.at(order).x1; maxY = (boundingBox_.at(num).y1>boundingBox_.at(order).y1)?boundingBox_.at(num).y1:boundingBox_.at(order).y1; minX = (boundingBox_.at(num).x2<boundingBox_.at(order).x2)?boundingBox_.at(num).x2:boundingBox_.at(order).x2; minY = (boundingBox_.at(num).y2<boundingBox_.at(order).y2)?boundingBox_.at(num).y2:boundingBox_.at(order).y2; //maxX1 and maxY1 reuse maxX = ((minX-maxX+1)>0)?(minX-maxX+1):0; maxY = ((minY-maxY+1)>0)?(minY-maxY+1):0; //IOU reuse for the area of two bbox IOU = maxX * maxY; if(!modelname.compare("Union")) IOU = IOU/(boundingBox_.at(num).area + boundingBox_.at(order).area - IOU); else if(!modelname.compare("Min")){ IOU = IOU/((boundingBox_.at(num).area<boundingBox_.at(order).area)?boundingBox_.at(num).area:boundingBox_.at(order).area); } if(IOU>overlap_threshold){ boundingBox_.at(num).exist=false;//如果该对比框与擂台主的IOU够大，挑战者勇士战死 for(vector<orderScore>::iterator it=bboxScore_.begin(); it!=bboxScore_.end();it++){ if((*it).oriOrder == num) { (*it).oriOrder = -1;//勇士战死标志 break; } } }//else 那些距离擂台主比较远迎战者幸免于难，将有机会作为擂台主出现 } } } for(int i=0;i<heros.size();i++) boundingBox_.at(heros.at(i)).exist = true;//从生死簿上剔除，擂台主活下来了}void mtcnn::refineAndSquareBbox(vector<Bbox> &vecBbox, const int &height, const int &width){ if(vecBbox.empty()){ cout<<"Bbox is empty!!"<<endl; return; } float bbw=0, bbh=0, maxSide=0; float h = 0, w = 0; float x1=0, y1=0, x2=0, y2=0; for(vector<Bbox>::iterator it=vecBbox.begin(); it!=vecBbox.end();it++){ if((*it).exist){ bbw = (*it).x2 - (*it).x1 + 1;//滑框的宽高计算 bbh = (*it).y2 - (*it).y1 + 1; x1 = (*it).x1 + (*it).regreCoord[0]*bbw;//人脸框的位置坐标计算 y1 = (*it).y1 + (*it).regreCoord[1]*bbh; x2 = (*it).x2 + (*it).regreCoord[2]*bbw; y2 = (*it).y2 + (*it).regreCoord[3]*bbh; w = x2 - x1 + 1;//人脸框宽高 h = y2 - y1 + 1; maxSide = (h>w)?h:w; x1 = x1 + w*0.5 - maxSide*0.5; y1 = y1 + h*0.5 - maxSide*0.5; (*it).x2 = round(x1 + maxSide - 1); (*it).y2 = round(y1 + maxSide - 1); (*it).x1 = round(x1); (*it).y1 = round(y1); //boundary check if((*it).x1<0)(*it).x1=0; if((*it).y1<0)(*it).y1=0; if((*it).x2>width)(*it).x2 = width - 1; if((*it).y2>height)(*it).y2 = height - 1; it->area = (it->x2 - it->x1)*(it->y2 - it->y1); } }}void mtcnn::detect(ncnn::Mat& img_, std::vector<Bbox>& finalBbox_){ img = img_; img_w = img.w; img_h = img.h; img.substract_mean_normalize(mean_vals, norm_vals);//数据预处理,归一化至(-1,1) float minl = img_w<img_h?img_w:img_h; int MIN_DET_SIZE = 12; int minsize = 40;//最小可检测图像，该值大小，控制图像金字塔的阶层数，越小，阶层越多，计算越多。 float m = (float)MIN_DET_SIZE/minsize; minl *= m; float factor = 0.409; int factor_count = 0; vector<float> scales_; while(minl>MIN_DET_SIZE){if (factor_count > 0){ m = m*factor; } scales_.push_back(m); minl *= factor; factor_count++; } orderScore order; int count = 0; for (size_t i = 0; i < scales_.size(); i++) { int hs = (int)ceil(img_h*scales_[i]); int ws = (int)ceil(img_w*scales_[i]); ncnn::Mat in(ws, hs, 3); resize_image(img, in);//一次次生成图像金字塔中的一层图 ncnn::Extractor ex = Pnet.create_extractor(); ex.set_light_mode(true);printf("Pnet input width:%d, height:%d, channel:%d\n",in.w,in.h,in.c); ex.input("data", in);//Pnet只有卷积层，所以可以接受不同size的input ncnn::Mat score_, location_; ex.extract("prob1", score_);printf("prob1 w:%d, h:%d, ch:%d, first data:%f\n", score_.w, score_.h, score_.c, score_.data[0]);//for (int t_w = 0; t_w < score_.w*score_.h*score_.c; t_w++)//{//printf("%f, ", score_.data[t_w]);//} ex.extract("conv4-2", location_); std::vector<Bbox> boundingBox_; std::vector<orderScore> bboxScore_; generateBbox(score_, location_, boundingBox_, bboxScore_, scales_[i]); nms(boundingBox_, bboxScore_, nms_threshold[0]);//分会场擂台赛 for(vector<Bbox>::iterator it=boundingBox_.begin(); it!=boundingBox_.end();it++){ if((*it).exist){//获胜擂台主得到进入主会场的机会 firstBbox_.push_back(*it);//主会场花名册 order.score = (*it).score; order.oriOrder = count; firstOrderScore_.push_back(order); count++; } } bboxScore_.clear(); boundingBox_.clear(); } //the first stage's nms if(count<1)return; nms(firstBbox_, firstOrderScore_, nms_threshold[0]);//主会场擂台赛 refineAndSquareBbox(firstBbox_, img_h, img_w); printf("firstBbox_.size()=%d\n", firstBbox_.size());//for (vector<Bbox>::iterator it = firstBbox_.begin(); it != firstBbox_.end(); it++)//{//cout << "OK" << endl;////rectangle(cp_img, Point((*it).x1, (*it).y1), Point((*it).x2, (*it).y2), Scalar(0, 0, 255), 2, 8, 0);//}//imshow("Pnet.jpg", cp_img);//waitKey(1000); //second stage count = 0; for(vector<Bbox>::iterator it=firstBbox_.begin(); it!=firstBbox_.end();it++){ if((*it).exist){ ncnn::Mat tempIm; copy_cut_border(img, tempIm, (*it).y1, img_h-(*it).y2, (*it).x1, img_w-(*it).x2); ncnn::Mat in(24, 24, 3); resize_image(tempIm, in); ncnn::Extractor ex = Rnet.create_extractor(); ex.set_light_mode(true); ex.input("data", in); ncnn::Mat score, bbox; ex.extract("prob1", score); ex.extract("conv5-2", bbox); if(*(score.data+score.cstep)>threshold[1]){ for(int channel=0;channel<4;channel++) it->regreCoord[channel]=bbox.channel(channel)[0];//*(bbox.data+channel*bbox.cstep); it->area = (it->x2 - it->x1)*(it->y2 - it->y1); it->score = score.channel(1)[0];//*(score.data+score.cstep); secondBbox_.push_back(*it); order.score = it->score; order.oriOrder = count++; secondBboxScore_.push_back(order); } else{ (*it).exist=false; } } } printf("secondBbox_.size()=%d\n", secondBbox_.size()); if(count<1)return; nms(secondBbox_, secondBboxScore_, nms_threshold[1]); refineAndSquareBbox(secondBbox_, img_h, img_w); //third stage count = 0; for(vector<Bbox>::iterator it=secondBbox_.begin(); it!=secondBbox_.end();it++){ if((*it).exist){ ncnn::Mat tempIm; copy_cut_border(img, tempIm, (*it).y1, img_h-(*it).y2, (*it).x1, img_w-(*it).x2); ncnn::Mat in(48, 48, 3); resize_image(tempIm, in); ncnn::Extractor ex = Onet.create_extractor(); ex.set_light_mode(true); ex.input("data", in); ncnn::Mat score, bbox, keyPoint; ex.extract("prob1", score); ex.extract("conv6-2", bbox); ex.extract("conv6-3", keyPoint); if(score.channel(1)[0]>threshold[2]){ for(int channel=0;channel<4;channel++) it->regreCoord[channel]=bbox.channel(channel)[0]; it->area = (it->x2 - it->x1)*(it->y2 - it->y1); it->score = score.channel(1)[0]; for(int num=0;num<5;num++){ (it->ppoint)[num] = it->x1 + (it->x2 - it->x1)*keyPoint.channel(num)[0]; (it->ppoint)[num+5] = it->y1 + (it->y2 - it->y1)*keyPoint.channel(num+5)[0]; } thirdBbox_.push_back(*it); order.score = it->score; order.oriOrder = count++; thirdBboxScore_.push_back(order); } else (*it).exist=false; } } printf("thirdBbox_.size()=%d\n", thirdBbox_.size()); if(count<1)return; refineAndSquareBbox(thirdBbox_, img_h, img_w); nms(thirdBbox_, thirdBboxScore_, nms_threshold[2], "Min"); finalBbox_ = thirdBbox_; firstBbox_.clear(); firstOrderScore_.clear(); secondBbox_.clear(); secondBboxScore_.clear(); thirdBbox_.clear(); thirdBboxScore_.clear();}int main(int argc, char** argv){/******读图（start）*******/const char* imagepath ;// argv[1];if (argc == 2){imagepath = argv[1];}else{imagepath = "E:/Algrithm/ncnn/ncnn/x64/Release/test2.jpg";}cout << imagepath << endl; cv::Mat cv_img = cv::imread(imagepath); if (cv_img.data==NULL) { fprintf(stderr, "cv::imread %s failed\n", imagepath);system("pause"); return -1; }printf("img w: %d h:%d ch:%d\n",cv_img.cols,cv_img.rows,cv_img.channels());imshow("img",cv_img);waitKey(10);/***************读图（end）********************//***********MTCNN运算（start）************/float start = clock();int times = 1;ncnn::set_omp_num_threads(4);for (int cnt = 0; cnt < times; cnt++){std::vector<Bbox> finalBbox;mtcnn Net;//OpenCV读出的图片是BGR格式的，需要转为RGB格式，否则检出率会很低。ncnn::Mat ncnn_img = ncnn::Mat::from_pixels(cv_img.data, ncnn::Mat::PIXEL_BGR2RGB, cv_img.cols, cv_img.rows);Net.detect(ncnn_img, finalBbox);for (vector<Bbox>::iterator it = finalBbox.begin(); it != finalBbox.end(); it++){if ((*it).exist){printf("Bbox [x1,y1], [x2,y2]:[%d,%d], [%d,%d] \n", (*it).x1, (*it).x2, (*it).y1, (*it).y2);rectangle(cv_img, Point((*it).x1, (*it).y1), Point((*it).x2, (*it).y2), Scalar(0, 0, 255), 2, 8, 0);for (int num = 0; num < 5; num++){printf("Landmark [x1,y1]: [%d,%d] \n", (int)*(it->ppoint + num), (int)*(it->ppoint + num + 5));circle(cv_img, Point((int)*(it->ppoint + num), (int)*(it->ppoint + num + 5)), 3, Scalar(0, 255, 255), -1);}}}}/***********MTCNN运算（end）************/printf("MTCNN mean time comsuming: %f ms\n",(clock()-start)/times); imshow("result.jpg",cv_img);waitKey(100);system("pause"); return 0;}#endif终于将mtcnn缕清楚了，神清气爽~~~
阅读全文
1 0
- MTCNN人脸及特征点检测---代码应用详解（基于ncnn架构）
- 基于NCNN的人脸检测MTCNN实现过程
- Win端搭建基于ncnn框架的MTCNN人脸检测
- 基于 MTCNN/TensorFlow 实现人脸检测
- 基于 MTCNN/TensorFlow 实现人脸检测
- 人脸检测算法MTCNN
- 人脸特征点检测（一）
- 人脸特征点检测（二）
- MTCNN批量读取图片进行人脸和关键点检测，并保存检测结果
- 应用卷积神经网络实现人脸特征点检测练习
- 人脸特征点检测
- 人脸检测、人脸对齐（MTCNN方法）
- 人脸识别之人脸检测（十四）--MTCNN
- 人脸检测——MTCNN
- 人脸检测——MTCNN
- 人脸检测——MTCNN
- 二维图像人脸（包括人脸特征点）检测(附代码)
- 基于Opencv/TensorFlow/mtcnn/Facenet的实时人脸检测/人脸识别
- Hadoop集群安装
- SQL:Oracle层次查询总结 connect by
- uva 10305 拓扑排序（五种方式实现，全面理解邻接表+BFS实现+DFS实现）
- oracle--in与not in 语句 关于空值问题记录
- linux下的五种模型https://www.ziwenxie.site/2017/01/02/unix-network-programming-asynchronous/?nsukey=u352Le
- MTCNN人脸及特征点检测---代码应用详解（基于ncnn架构）
- 总结：数据清洗的一些总结
- Pandas：十分钟快速浏览
- Android Context 上下文 你必须知道的一切
- Ubuntu下安装搜狗输入法及常见问题解决
- bzoj 1631: [Usaco2007 Feb]Cow Party 解题报告
- thinkphp5.0中加载类库
- 用php的strpos() 函数判断字符串中是否包含某字符串的方法
- SSM框架——详细整合教程（Spring+SpringMVC+MyBatis）
