MTCNN一些小问题讲解

r囧r小猫 2022-12-04 07:53 197阅读 0赞

原文链接：http://www.sfinst.com/?p=1683[添加链接描述][Link 1]

> **背景介绍：**

人脸检测，解决两个问题：1)识别图片中有没有人脸？2)如果有，人脸在哪？因此，许多人脸应用(人脸识别、面向分析)的基础是人脸检测。

大多数人脸检测采用的流程为两阶段：

1) 找出所有可能是人脸的候选区域

2) 从候选区域中选择出最可能是人脸的区域

本文的主角MTCNN，大致是这种套路，也集成了其优缺点为：**准和慢**。

MTCNN人脸检测是2016年的论文提出来的，MTCNN的“MT”是指多任务学习(Multi-Task)，在同一个任务中同时学习”识别人脸“、”边框回归“、”人脸关键点识别“。相比2015年的CVPR(边框调整和识别人脸分开做)的结构，MTCNN是有创新的。

从工程实践上，MTCNN是一种检测速度和准确率都还不错的算法，算法的推断流程有一定的启发性，在这里给大家分享。（以下用“MTCNN”代指这个算法）

本文以Q&A的方式，与你分享一些经验和思考。先列出本文会回答的问题列表：

1.  **MTCNN的推断流程第一阶段:**1.1 为什么需要对图片做“金字塔”变换？
    
    1.2 MTCNN算法可以接受任意尺度的图片，为什么？
    
    1.3 设置合适的最小人脸尺寸和缩放因子为什么可以优化计算效率？缩放因子为什么官方选择0.709?
    
    1.4 为什么把图片输入模型的时候要对每个元素做(x – 127.5)/128的操作？
    
    1.5 P-NET网络的输出怎么还原成原图上人脸区域坐标？
2.  **什么叫边框回归？在MTCNN怎么利用边框回归的结果？为什么可以这样做？** 
3.  **哪些步骤是影响MTCNN的计算效率的关键？以及有哪些优化思路？**

本文参考的代码是David Sandberg的复现，

https://github.com/davidsandberg/facenet/blob/master/src/align/detect\_face.py，该复现是github上MTCNN的复现中星星最多，实现得最像原作的版本。代码中包含着大量的Magic Number，初读，令人不知所云。本文通过回答以上的问题，一点点参透它们。

> **MTCNN的推断流程第一阶段的一系列问题**

**第一阶段的目标是生成人脸候选框。**MTCNN推断流程的第一阶段，蕴含了许多CNN的技巧，个人认为是比较精华也具有启发性的部分。并且MTCNN的推断过程中，第一阶段时间消耗占80%左右，所以如果需要优化和理解MTCNN的读者，在第一阶段投入再多精力都不为过。 **1.1 为什么需要对图片做“金字塔”变换？**

由于各种原因，图片中的人脸的尺度有大有小，让识别算法不被目标尺度影响一直是挑战；**目标检测本质上来说上目标区域内特征与模板权重的点乘操作**；那么如果模板尺度与目标尺度匹配，自然会有很高的检测效果。更多详尽的应对方案总结见MTCNN的这篇文章(https://arxiv.org/pdf/1606.03473.pdf)。

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN]

MTCNN使用了上图的(a)图像金字塔来解决目标多尺度问题，即把原图按照一定的比例(如0.5)，多次等比缩放得到多尺度的图片，很像个金字塔(如上图a)。

P-NET的模型是用单尺度(12\*12)的图片训练出来的，推断的时候，想要识别各种尺度的人脸更准，需要把待识别的人脸的尺度先变化到接近模型尺度(12\*12)。

**缺点就是：慢**。第一，生成图片金字塔慢；第二，每种尺度的图片都需要输入进模型，相当于执行了多次的模型推断流程。

**1.2 MTCNN算法可以接受任意尺度的图片，为什么？**

因为第一阶段的P-NET是一个

全卷积网络（Fully Convolutional Networks）

(https://arxiv.org/abs/1411.4038)。

卷积、池化、非线性激活都是一些可以接受任意尺度矩阵的运算，但全连接运算是需要规定输入。如果网络中有全连接层，则输入的图片尺度(一般)需固定；如果没有全连接层，图片尺度可以是任意的。

当然也有既包含全连接层也能接受任意尺度图片的结构：Kaiming He等提出的**SPP****（Spatial Pyramid Pooling****，空间金字塔池化）**就是做这个的(https://arxiv.org/abs/1406.4729)。本文不作过多说明。

**1.3 设置合适的最小人脸尺寸和缩放因子为什么可以优化计算效率？缩放因子为什么官方选择0.709?**

minsize是指你认为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。

我们已经知道，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。怎么实现呢？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。根据上述算法，minsize越大，生成的“金字塔”层数越少，resize和pnet的计算量越小。

这里以一个例子说明：如果待测图片1200px\*1200px，想要让缩放后的尺寸接近模型训练图片的尺度(12px\*12px)。

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 1]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 1]

**为什么缩放因子factor官方选择0.709？**图片金字塔缩放时，默认把宽，高都变为原来的1/2，缩放后面积变为原来的1/4；如果认为1/4的缩放幅度太大，你会怎么办？把面积缩放为原来的1/2。对的，这是很直观的想法，所以这里的缩放因子0.709 ≈ sqrt(2)/2，这样宽高变为原来的sqrt(2)/2，面积就变为原来的1/2。并且从比MTCNN更早提出的级联人脸检测CVPR2015\_cascade CNN（http://users.eecs.northwestern.edu/~xsh835/assets/cvpr2015\_cascnn.pdf）的实现中也能找到端倪。

从实际意义上看，factor应该设置为小于1，数值越大第一阶段计算量越大，但可能找出更多的候选框。

**1.4 为什么把图片输入模型的时候要对每个像素做(x – 127.5)/128的操作？**

归一化操作，加快收敛速度。

由于图片每个像素点上是\[0, 255\]的数，都是非负数，对每个像素点做(x – 127.5)/128，可以把\[0, 255\]映射为(-1, 1)。具体的理论原因可以自行搜索，但实践中发现，有正有负的输入，收敛速度更快。训练时候输入的图片需要先做这样的预处理，推断的时候也需要做这样的预处理才行。

**1.5 P-NET网络的输出怎么还原出原图上人脸区域坐标？**

这时需要看下P-NET的网络结构：

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 2]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 2]

注意观察上图的特点：

*  3次卷积和1次池化操作后，原来12\*12\*3的矩阵变为1\*1\*32
 *  利用这个1\*1\*32的向量，再通过一个1\*1\*2的卷积，得到了”是否是人脸”的分类结果(我们先聚焦于分类任务)

总结起来就是，输入一个12\*12\*3的区域到P-NET网络，可以输出“有人脸”的概率。

再联系卷积、池化操作是在输入的矩阵上滑动的特性。(见下图)

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 3]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 3]

可以联想到下面这样的场景，我们令输入图片矩阵为A，卷积核在原图矩阵A上滑动，把每个12\*12\*3区域的矩阵都计算成该区域有无人脸的得分，最后可以得到一个二维矩阵为S，S每个元素的值是\[0, 1\]的数，代表有人脸的概率。即A通过一系列矩阵运算，变化到S。

根据P-NET的网络结构，我们可以计算输入矩阵A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S上的(X/2 – 5 , Y/2 – 5)。反过来，就可以把S的得分信息，还原成输入图片的各区域有无人脸，伪代码是：

令：  
(x1, y1),(x2, y2)分别是输入矩阵中一个矩形区域的左上角和右下角坐标  
(x, y, s)中(x,y)是得分矩阵上任意一点坐标，s是这个坐标上的值，表示有人脸的概率。

x1 = x \* 2  
y1 = y \* 2  
x2 = x1 + 12  
y2 = y1 + 12

这样我们就得到输入矩阵A上的一个区域有人脸的概率。由于输入矩阵A是通过原图缩放scale倍得到的，还原到原图上就是

x1\_origin = x1 / scale

y1\_origin = y1 / scale  
x2\_origin = x2 / scale  
y2\_origin = y2 / scale

至此，我们就解释清楚如何根据P-NET的输出S，还原到原图上的各区域上有人脸的概率。

当然，一方面我们可以通过切threshold，过滤一些得分低的区域；另一方面可以通过NMS算法，过滤重叠度高的区域。这些都能够在MTCNN的推断代码中找到对应。这里就不过多说明。

> **什么叫边框回归？在MTCNN怎么利用边框回归的结果？为什么可以这样做？**

前文完整地解释了P-NET识别候选框的过程了吗？没有。前文只讲清楚了如何使用人脸分类任务的结果。MTCNN的多任务特性还没有体现。我们可以利用边框回归的结果，来修正前面得到的边框区域位置。

类似于前文1.5的过程，一个输入矩阵A，P-NET还能得到4个二维矩阵dx1, dy1, dx2, dy2，每个的尺寸与上述S一样，分布代表人脸区域的左上角和右下角坐标的”相对值”。我们类似于前文1.5的过程，将结果还原成应该对原图的哪个区域修正；如何修正，将在下文解释。

参考南有乔木ICT

（https://blog.csdn.net/zijin0802034/article/details/77685438）的解释，对于窗口一般使用四维向量(x,y,w,h)来表示，分别表示窗口的中心点坐标和宽高。我们的目标是寻找一种映射，使得输入原始的窗口 P(下图红框) 经过映射的结果跟真实窗口G(下图绿框)更接近。

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 4]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 4]

**假设这种映射是线性映射**，那么我们可以先做平移

*(Δx,Δy),Δx=Pwdx(P),Δy=Phdy(P)**,*

这是R-CNN论文提出的：

*Gx=Pwdx(P)+Px,Gy=Phdy(P)+Py*

然后再做尺度缩放

*(Sw,Sh),Sw=exp(dw(P)),Sh=exp(dh(P))*

对应论文中：

*Gw=Pwexp(dw(P))*

*Gh=Phexp(dh(P))*

我们学习的就是映射关系*dx(P),dy(P),dw(P),dh(P)。*而上面的这几个公式，就是在做线性变换。学习这些映射关系的过程就是在线性回归求解参数矩阵的问题。所以称之为**边框回归**。

**为什么可以假设是线性映射？**因为窗口P和真实窗口G的尺寸差异不大。

南有乔木ICT

（https://blog.csdn.net/zijin0802034/article/details/77685438）解释得比较精彩，感兴趣的可以参考之。我们从P-NET的边框回归训练数据的准备过程可以找到对size的限制，保证窗口的尺度缩放程度不大。

根据上面的解释，P-NET得到的4个二维矩阵的值，并不是真实的坐标，而是把原坐标映射到更接近真实坐标的映射关系。MTCNN的映射关系与上文的这种有一点点区别，下面展示如何从P-NET得到的边框坐标，修正原图上的边框坐标的算法：

令  
(x1, y1),(x2, y2)分别是输入矩阵中一个矩形区域的左上角和右下角坐标  
(x, y, dx1)是边框回归结果上一点，dx1表示对左上角点的横坐标x1的修正值  
(x, y, dy1)是边框回归结果上一点，dy1表示对左上角点的纵坐标y1的修正值  
(x, y, dx2)是边框回归结果上一点，dx2表示对右下角点的横坐标x2的修正值  
(x, y, dy2)是边框回归结果上一点，dy2表示对右下角点的纵坐标y2的修正值

则根据上面1.5的坐标还原算法：  
x1\_origin = x \* 2 / scale  
y1\_origin = y \* 2 / scale  
x2\_origin = (x \* 2 + 12) / scale  
y2\_origin = (y \* 2 + 12) / scale

下面是修正：  
上面这个区域，宽和高是 w = h = 12 / scale

x1\_calibration = x1\_origin + w \* dx1  
y1\_calibration = y1\_origin + h \* dx1  
x2\_calibration = x2\_origin + w \* dx1  
y2\_calibration = y2\_origin + h \* dx1

至此，我们讲清楚了怎么利用边框回归的结果。

从实现层面，3层模型，P-NET, R-NET, O-NET，每个流程都能同时输出分类的结果，以及修正的值。我们会对所有分类得分高于阈值，且重叠率不高的框进行这样的修正。

现在再来看原文中的Fig1，是不是恍然大悟？

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 5]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 5]

> **哪些步骤是影响MTCNN的计算效率的关键？以及有哪些优化思路？**

这个部分因为机器性能、参数设置、输入图片尺寸，都对实际的计算效率有很大影响，仅提示一些关键点。

**3.1 三个阶段的时间占比如何？**

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 6]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 6]

**3.2 有什么优化方案？**

MTCNN的推断是CPU密集型运算，如果是图片超过1080，生成图像金字塔的过程可能是流程中最耗时的过程。因为金字塔结构，第一阶段需要地计算很多尺度的图片。但超过1080的图片中，你需要识别的最小人脸真的需要12\*12吗？minsize是不是也变大了？另外，如果你事先已经知道图片中人脸的大小，是不是可以调整一下minsize？结合你的实践场景可以思考下。

以耗时最大的第一阶段为主要优化的关键点，以下说明一些我尝试过的办法：

*  第一阶段受输入图片尺寸影响较大，可以让minsize随图片尺寸而改变，大图用大minsize
 *  图片金字塔的生成过程，对上一次的resize结果进行resize而不是对全图resize
 *  并行化第一阶段，收益不大，不如少resize几次。

**3.3 推断过程中，网络模型真的那么耗时吗？**

谈这个，是为了谈一下这个模型的计算量。当我们发现resize的耗时占比惊人的时候，反观模型发现网络都比较浅。下面展示了mtcnn各阶段的计算量和参数量，以作参考。

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 7]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 7]

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 8]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 9]

参数量和计算量估计参考科普帖：深度学习中GPU和显存分析（https://zhuanlan.zhihu.com/p/31558973）提到的方法，仅仅是近似估计(没有计算Relu的参数量和计算量，没有计算baises的参数量等)。从参数量来看，R-NET和O-NET比P-NET复杂很多。但还是很浅，最复杂的网络O-NET参数量为0.38M个，相比VGG16的参数量138M个，相差近千倍。复杂度和存储消耗不是问题。

实际上计算量也不高，即使使用特别大的图片，p-net一次计算量也仅9G FLOPs，什么概念？1张**GTX 1080TI**处理能力10T FLOPs，p-net的计算量相对于显卡的处理能力也是相差近千倍。计算量也不是问题。

所以，本人认为这个模型的推断不太耗时，从本人的测试结果看，对于输入200\*200左右的图片，每个模型执行一次的时间在CPU和GPU都仅几ms。个人认为用GPU来为MTCNN推断很不划算，下表给出一些测试结果：

![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 10]![拒绝调包！且看MTCNN人脸检测推断过程详解！][MTCNN 9]

我们可以从上表得，网络越复杂，GPU相比CPU的提升越明显。MTCNN的三阶段都是很弱的网络，GPU的提升不太大。另外，MTCNN的第一阶段，图像金字塔会反反复复地很多次调用一个很浅层的P-NET网络，导致数据会反反复复地从内存COPY到显存，又从显存COPY到内存，而这个复制操作消耗很大，甚至比计算本身耗时。

感兴趣的读者可以自己做一下测试。这里引用阿里云云栖社区的一批文章”揭秘GPU”的测试结果（https://zhuanlan.zhihu.com/p/43144460）：

我尝试了以下三件事：

1.  做一个200×200矩阵乘以numpy，一个高度优化的CPU线性代数库。
2.  使用PyTorch cuda张量在GPU上进行200×200矩阵乘法运算。
3.  使用PyTorch cuda张量在GPU上进行200×200矩阵乘法运算，每次都来回复制数据。

正如预期的那样，GPU只运行得更快，这一次大约是6倍。有趣的是,1和3几乎花费了相同的时间。GPU操作的效率几乎完全被数据传输的低效所平衡!

**这里对性能方面的研究做一些总结：**

*  MTCNN的推断流程性能优化从第一阶段入手，关键是降低迭代次数，可以利用minsize；
 *  MTCNN的推断流程中，模型计算耗时没有想象中那么大，反而可能是不断显存和内存之间来回复制数据导致效率不高；

> **原作者认为的MTCNN**

写到这里，仅是本人站在使用者、站在2018年末对MTCNN的一些理解。但是2016年发表这篇文章的时候还是有挺多启发意义的，但从Github上能找到的复现repo数量，就能窥见端倪。用心找找，能找到mxnet、pytorch、tensorflow、caffee的多个实现，有人嫌慢还用c改写。可见MTCNN还是一个比较成功的模型。

马上我们就要抛弃MTCNN，拥抱更好、更快的state-of-the-art人脸检测模型。在这样的时刻，以此文告别MTCNN。

最后以原作者总结的MTCNN的优点结尾：

> The major contributions of this paper are summarized as follows:
> 
> (1) We propose a new cascaded CNNs based framework for joint face detection and alignment, and carefully design lightweight CNN architecture for real time performance.
> 
> (2) We propose an effective method to conduct online hard sample mining to improve the performance.
> 
> (3) Extensive experiments are conducted on challenging benchmarks, to show the significant performance improvement of the proposed approach compared to the state-of-the-art techniques in both face detection and face alignment tasks.

> **引用**

**代码实现:**

*  原文实现:https://github.com/kpzhang93/MTCNN*face*detection\_alignment
 *  Tensorflow的优秀复现：https://github.com/AITTSMD/MTCNN-Tensorflow
 *  C++复现：https://github.com/foreverYoungGitHub/MTCNN
 *  本文参考的复现：https://github.com/davidsandberg/facenet

**论文：**

*  原文：Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks（https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf）
 *  MTCNN实际是去解决这批文章的不足：A Convolutional Neural Network Cascade for Face Detection（http://users.eecs.northwestern.edu/~xsh835/assets/cvpr2015\_cascnn.pdf）
 *  FCN：Fully Convolutional Networks for Semantic Segmentation（https://arxiv.org/abs/1411.4038）
 *  另一种解决接受任意尺度图片的方法SPP：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition（https://arxiv.org/abs/1406.4729）
 *  总结了解决识别任意尺度目标的文章：Face Detection with the Faster R-CNN（https://arxiv.org/pdf/1606.03473.pdf）

**博客等参考文章：**

*  卷积神经网络里输入图像大小何时是固定，何时是任意？(https://www.zhihu.com/question/56688854)
 *  科普帖：深度学习中GPU和显存分析(https://zhuanlan.zhihu.com/p/31558973)
 *  MTCNN人脸检测—训练数据处理(https://zhuanlan.zhihu.com/p/31761796)
 *  边框回归(Bounding Box Regression)详解(https://blog.csdn.net/zijin0802034/article/details/77685438)
 *  揭秘GPU(https://zhuanlan.zhihu.com/p/43144460)

[Link 1]: http://www.sfinst.com/?p=1683
[MTCNN]: /images/20221123/54f26cf3d5b04cbe9cec434462fe3a50.png
[MTCNN 1]: /images/20221123/2e9c929cd9d4446c957f37cab1d7ff5c.png
[MTCNN 2]: /images/20221123/820fe8876ee14520afdfcf0f7c52c9a0.png
[MTCNN 3]: /images/20221123/f1730e5d37134f22864c6921f126da52.png
[MTCNN 4]: /images/20221123/dcff951bb44b4ad08861713c95717464.png
[MTCNN 5]: /images/20221123/11e5062fc0af41cbba3218375c71f15e.png
[MTCNN 6]: /images/20221123/fbfa30ea9ce249ec88fa818316cb9587.png
[MTCNN 7]: /images/20221123/71c58dcebf6b4f20a5b305f130e15031.png
[MTCNN 8]: http://www.sfinst.com/wp-content/uploads/2018/12/9-1.jpg
[MTCNN 9]: /images/20221123/45729520181a410d9da0f3884d68f551.png
[MTCNN 10]: http://www.sfinst.com/wp-content/uploads/2018/12/10-1-1024x118.jpg