SSD人脸检测以及FDDB检测结果分析
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1338332
前段时间使用caffe版本的SSD训练人脸检测，效果还不错，在FDDB上测试了下结果最终只有89%的准确率，但是误判率很低，结果如下：
为了分析训练的SSD在FDDB上对于哪些类型的人脸检测结果较差，结果如下:蓝色的椭圆为FDDB的原始标注，红色的矩形为现有的SSD检测结果。
可以看到：
- 很模糊的脸没有检测到
- 还有些基本上算不上脸
- 极少数是人脸的确实没有检测到
发现FDDB中不少人脸基本可以不算是人脸，因此对FDDB的检测结果的意义有点怀疑了。
最终还是自己建立了专门的评价数据集（共1000多张样本）：
- 少数较为正常的人脸
- 遮挡较多
- 不同光照条件下的人脸
- 角度多变的人脸
检测结果如下（蓝线为检测的人脸框），效果还是不错的：
SSD做检测训练的时候注意：
- 自己没有必要做简单的数据增强（例如翻转啥的），SSD训练过程中会做数据集增强
- 训练的数据集，不要用很模糊的人脸，或者很小的人脸，这样会导致训练发散los=Nan如下图（可能），因为SSD训练会根据IOU选取一定比率的样本作为positive样本。
最后给大家推荐一个好用的开源图片标注工具 labelImg https://github.com/tzutalin/labelImg 。
用的时候注意：
- 在图片的后缀一定要和图片的真实格式一样,例如
jpg格式的图片就不要命名为png后缀，否则标注的时候会报错。 - 这个工具标注坐标的时候仅支持VOC,YOLO格式的，我用的是SSD因此在标注完要将YOLO格式转化为SSD格式。代码如下：
def yolo_format_2_ssd(lst, w, h):
"""yolo format annotation([x1_ratio, y1_ratio, x_box_ratio, y_box_ratio])
to [x1, y1, x2, y2]
lst: yolo format
w, h: image width, height
"""
b_w, b_h = int(lst[2] * w), int(lst[3] * h)
center_x1, center_y1 = int(lst[0] * w), int(lst[1] * h)
x1, y1 = center_x1 - (b_w / 2), center_y1 - (b_h / 2)
x2, y2 = center_x1 + (b_w / 2), center_y1 + (b_h / 2)
return [x1, y1, x2, y2]
def check_show_img():
path = '/home/xy/face_tools/annotate_sample/face_de_sample/0a4b4e98aea6923a2bf8cd0462227af0.jpg'
lst_ratio = [0.419792, 0.494792, 0.352083, 0.452083]
img = cv2.imread(path)
h, w, _ = img.shape
print 'img, w, h: %s %s' % (h, w)
x1, y1, x2, y2 = yolo_format_2_ssd(lst_ratio, w, h)
p1, p2 = (x1, y1), (x2, y2)
cv2.rectangle(img, p1, p2, (0, 0, 255), 2)
cv2.imshow('img', img)
cv2.waitKey(0)标注截图如下
本文参与 腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。
原始发表：2018年08月26日，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
相关产品与服务
人脸识别
腾讯云神图·人脸识别（Face Recognition）基于腾讯优图强大的面部分析技术，提供包括人脸检测与分析、比对、搜索、验证、五官定位、活体检测等多种功能，为开发者和企业提供高性能高可用的人脸识别服务。 可应用于在线娱乐、在线身份认证等多种应用场景，充分满足各行业客户的人脸属性识别及用户身份确认等需求。
腾讯云开发者
