人脸检测算法理解之mtcnn

最新推荐文章于 2025-05-30 18:43:25 发布

diligent_321

最新推荐文章于 2025-05-30 18:43:25 发布

阅读量3.6k

点赞数 4

CC 4.0 BY-SA版权

分类专栏：深度学习算法文章标签：人脸检测

本文链接：https://blog.youkuaiyun.com/diligent_321/article/details/85343552

本文介绍了人脸检测算法MTCNN，重点讨论了最小人脸尺寸参数的作用和图像金字塔的应用。通过理解P-Net的相对偏移计算以及训练与推理阶段的不同处理方式，解析了MTCNN如何高效地进行人脸检测。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最近在一次交流活动中，再次听别人讲人脸检测算法mtcnn，虽然以前也断断续续听过两次，对于一些技术细节仍不清楚，为了解决自己的困惑，笔者又重拾起这一算法，在认真研读论文和思考后有了新的理解，于是记录下来。下文主要解释mtcnn中min_face_size这个参数是怎么起作用的、如何使用图像金字塔等，希望能对大家有所帮助。

1 相关知识点

1.1 “network in network”

作为新加坡国立大学在2013年发表在CVPR上的一篇文章，它首次提出了“Global Average Pooling”，也即将feature map转换为score map。

1.2 OverFeat

该文章的全名为“OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks”。该方法是ILSVRC2013检测任务的冠军算法，这里重点介绍“how a multiscale and sliding window approach can be efficiently implemented within a ConvNet”。对于非全卷积网络，如果设置滑动窗口尺寸为 $m\times n$ ，那么对于更大的输入图像，必须对每一个滑动窗口，分别使用前向推理，这样比较耗时。全卷积网络中用 “Global Average Pooling”代替 “Fully Connected Layer”，所以网络的输入图像的尺寸可以任意。
在这里插入图片描述

由图可见，输出feature map的每一个空间位置，对应了输入图像的一个窗（感受野），并且，前向推理是对整个的feature map做卷积，所以所有滑动窗共享了计算量。

2 mtcnn

mtcnn，全称为“Multi-task Cascaded Convolutional Networks”，作为一种人脸检测和关键点（5个点）算法，它以速度快、精度高而广为人知。尽管后面有更好的人脸检测算法，比如FaceBoxes算法，但是mtcnn的精度已经能够满足通常的人脸检测要求，所以用的最广泛。

2.1 最小人脸尺寸

在解释最小人脸尺寸之前，先贴原文中的一幅网络结构图，在这里插入图片描述
显然，P-Net是全卷积网络，且最小输入尺寸为 $12\times 12$ 。假设在推理阶段的输入图像尺寸为 $100\times 100$ ，构造图像金字塔，使得图像最小尺寸为 $20\times 20$ ，将不同尺寸的图像按照等比例缩放，原文中设置缩放因子为0.6，缩放后的图作为网络的输入，那么，最小尺寸的图像缩放后尺寸为 $12\times 12$ ，输出的特征图尺寸为