學習深度學習已有一段時間了，總想著拿它做點什么，今天終于完成了一個基于caffe的人臉檢測，這篇博文將告訴你怎樣通過caffe一步步實現人臉檢測。本文主要參考唐宇迪老師的教程，在這里感謝老師的辛勤付出。

傳統(tǒng)機器學習方法實現人臉檢測：

　　人臉檢測在opencv中已經幫我們實現了，我們要把它玩起來很簡單，只需要簡簡單單的幾行代碼其實就可以搞定。（haarcascade_frontalface_alt.xml這個文件在opencv的安裝目錄下能找到，筆者的路徑是：E:\opencv2.4.10\opencv\sources\data\haarcascades，大家可根據自己的安裝路徑找到）

 face_detect.cpp

 運行結果：

caffe實現人臉檢測：

　　我是在ubuntu16.04環(huán)境下完成的實驗，渣渣筆記本有不起GPU跑訓練，所有實驗也是基于CPU的。要想把人臉檢測玩起來，首先你得保證你的ubuntu已經安裝了opencv和caffe，初次配這兩個環(huán)境初學者往往會弄到吐血，而且還是吐老血，我自己已經記不清到底花了多久才把它們搞定（估計是我太慫，也許你很快就能弄好喲，加油）。這里給兩個參考鏈接，opencv在ubuntu下的配置和測試：http://blog.csdn.net/a1429331875/article/details/31539129；ubuntu16.04上caffe的配置與安裝（CPU ONLY）：http://blog.csdn.net/u010402483/article/details/51506616；以上兩個鏈接僅供參考，配置過程出了問題大家就多去網上搜解決方案吧，總會有人也遇到過和你一樣的問題。配置好以后大家可以先跑跑MNIST手寫字體識別這個案例吧，這個案例算是給自己的一個安慰。  到這里就已經默認大家環(huán)境已經配置好了。

　　第一步：（這樣寫感覺很蠢，但還是寫得盡量詳細吧）在桌面或者你喜歡的路徑下建一個文件夾，這個文件夾將用來存放我們實驗中用到的所有東西。我自己是在桌面建了一個文件夾，取名：faceDetect

　　第二步：獲取人臉和非人臉圖片當作訓練集和驗證集。首先我們一定要有樣本，在本實驗中我們的樣本是一個二分類的樣本，大家可以自行去網上找數據集，當然也可以給我發(fā)郵件（likai_uestc@163.com），我這里有數據集。數據集我們分訓練集(trainData20000_20000)和驗證集(testData1600_1600)，trainData20000_20000文件夾和testData1600_1600文件夾我們把它們兩個都放在faceDetect文件夾下，trainData20000_20000文件夾和testData1600_1600文件夾下又都放兩個文件夾face和noface，人臉圖片我們放在face文件夾下，非人臉圖片我們放在noface文件夾下。此時的目錄結構如下：

　　第三步：給樣本打標簽。本實驗中是人臉我們給的標簽是1，不是人臉給標簽0.訓練樣本的標簽我們寫入train.txt，驗證樣本的標簽我們寫入test.txt.  train.txt和test.txt文件我們放在faceDetect目錄下。 txt文件中的內容如下：

　　生成txt文件的內容的參考代碼如下：（僅供參考）

 getTxt.cpp

 　　第四步：制作LMDB數據源。通過shell腳本制作，腳本文件名 face-lmdb.sh，face-lmdb.sh也放在faceDetect路徑下。腳本的內容：

　　重點關注第5,6,7,9,10,14,16,17,44,45,54,55行。第5第6行就是你faceDetect的路徑，第7行是你caffe中tools的路徑，第9第10行是訓練樣本和驗證樣本的路徑，第14行為true表示對圖片進行resize操作，第16，17行填寫resize的大小，第44行和54行就是填標簽文件，第45和55行是生成的lmdb文件存放的文件夾名，這兩個文件夾不能自己手動提前建立。

 face-lmdb.sh

　　現在在終端執(zhí)行 ./face-lmdb.sh 命令即可，執(zhí)行截圖如下：

　　第五步：準備網絡模型文件（train.prototxt）及超參數文件（solver.prototxt）。train.prototxt和solver.prototxt文件也放在faceDetect路徑下。網絡模型各層參數詳解及超參數文件詳解可參考：https://wenku.baidu.com/view/f77c73d02f60ddccdb38a025.html。

　　網絡模型文件：

 train.prototxt

　　超參數文件：

　　第1行網絡模型文件的路徑，第15行訓練得到的模型的保存路徑，在本實驗中自己在faceDetect文件夾下建一個model文件夾用于保存得到的模型文件。net: "/home/kobe/Desktop/faceDetect/train.prototxt"

test_iter: 50
test_interval: 500
# lr for fine-tuning should be lower than when starting from scratch
base_lr: 0.001
lr_policy: "step"
gamma: 0.1
# stepsize should also be lower, as we're closer to being done
stepsize: 20000
display: 100
max_iter: 100000
momentum: 0.9
weight_decay: 0.0005
snapshot: 10000
snapshot_prefix: "/home/kobe/Desktop/faceDetect/model/"

# uncomment the following to default to CPU mode solving

solver_mode: CPU

 　　第六步：開始訓練。運行train.sh腳本進行訓練，train.sh也放在faceDetect路徑下。腳本的內容：（根據自己的實際路徑進行修改）

1 #!/usr/bin/env sh2 3 /home/kobe/caffe/build/tools/caffe train --solver=/home/kobe/Desktop/faceDetect/solver.prototxt #\4 #--weights=models/bvlc_reference_caffenet/bvlc_reference_caffenet.caffemodel \5 #--gpu 0

　　 在終端中運行 ./train.sh 就可以開始訓練了，訓練很花時間的，根據機器配置不同所花時間也不同。訓練截圖如下：

　　訓練結束后，我們得到以下的文件（model下的文件），caffemodel結尾的文件就是我們最終需要的文件了：

　　第七步：實現多尺度人臉檢測。基于滑動窗口的人臉檢測，在訓練的時候樣本已經resize成227*227，所以對于輸入圖片，我們在輸入圖片中截取227*227大小的窗口放入模型進行分類，依次這樣進行窗口滑動，最終找出其中的人臉區(qū)域。但是圖片中人臉并不一定就是227*227大小的，所以我們需要進行多尺度變換，所謂多尺度變換就是指對于輸入圖片我們進行放大和縮小變換，這樣輸入一張圖片，就可以得到很多經過放大或縮小的圖片了，把所有圖片當作一組輸入進行人臉檢測。那么現在問題又來了，我們輸入的是不同大小的圖片，網絡中有一個全連接層，全連接層的存在導致輸入的圖片大小必須一樣大小，要解決這個問題我們的解決方法是把全連接層轉換成全卷積層（可參考caffe官網進行操作）。

　　轉換過程中需要用到的兩個deploy文件。

　　全連接時使用（deploy.prototxt）：

 deploy.prototxt

 　　全卷積時使用（deploy_full_conv.prototxt）：

 deploy_full_conv.prototxt

　　全連接轉全卷積參考代碼：

 innerToConv.py

　　轉換后得到另一個模型（alexnet_iter_50000_full_conv.caffemodel）.

　　實現多尺度人臉檢測代碼：

 face_detect.py

運行結果：

http://www.cnblogs.com/418ks/p/7221185.html

延伸閱讀

• 一步一個腳印 2023-04-18
• 沉下心來，完成每一步的動作 2021-06-01
• 我用雙手 成就我的夢想 2021-05-19
• 職場正在淘汰那些1年經驗用10年的人！ 2020-07-02
• 期待這能用自己這雙手蓋起一棟“參天大樓”！——張*更 2020-06-20
• 慢慢來，一步一個腳印 ——岳*冉 2020-06-19
• 突破迷茫，實現自我 ——王*鑫 2020-06-11
• 用奮斗換取驕傲的歷史 2020-06-11
• 萬碼學堂是我邁向成功的第一步 2020-06-11
• 扎實走好每一步 2019-03-13

一步一個腳印