XZZPPP的博客

本Matlab批量预处理图片程序包括：1、批量对图片重命名；2、将多个文件夹下面的图片，拷贝到一个文件夹下；3、给定图片及其中人脸位置，框出人脸%功能描述：批量对图片重命名%路径格式为，E:\image\（maindir路径下要是子文件夹，不可直接是图片） clc; clear; maindir='H:\基于CNN的图像分类\绘画图像\敦煌\00000001\

在深度学习模型训练中，我们很可能只需要原来1/3，或1/5的样本量，手动筛选耗时耗力。用c++实现自动筛选比较自动化和省事。  要实现0-521625每2个取一个，521625-764126全取，764126- 每3个取一个，代码如下：#include #include #include #include #include #include #include usin

最近跑通了MTCNN的训练代码，对其中生成positive,negative,part样本gen_48net_data2.py代码进行解读。项目地址：https://github.com/dlunion/mtcnn对应代码地址：https://github.com/dlunion/mtcnn/blob/master/train/gen_48net_data2.pyimport

程序功能简介：利用给定的标注bbox,landmark在原图中显示人脸框，人脸关键点：给定标注txt文件数据格式，如下图所示：lfw_5590\Aaron_Eckhart_0001.jpg 84 161 92 169 106.250000 107.750000 146.750000 112.250000 125.250000 142.750000 105.250000

MTCNN训练不收敛原因:地址： https://github.com/dlunion/mtcnn我们的训练数据标签格式：wider face:pos/001.jpg  1 x1 y1 x2 y2 (x1 y1 x2 y2) -1 -1 -1 -1 -1 -1 -1 -1 -1 -1part/001.jpg -1 x1 y1 x2 y2 (x1 y1 x2 y2)

300W数据集测试MTCNN的landmark效果，用提取其中afw数据集337张图片的预测关键点并写入到txt中，再用测试程序和标注landmark做对比。处理得到的预测landmark格式如下：1051618982（图片名）1（landmark个数）543 267 643 268 594 322 542 359 643 36011107651921095

C++实现：批量对图片进行水平镜像、切片、旋转、添加椒盐噪声。 应用场景：小样本学习中图像扩充。#include #include #include #include using namespace cv;using namespace std;Mat addSaltNoise(const Mat srcImage, int n);Mat rotateImage(

笔者之前在训练caffemodel的时候，都是先设置好一个网络模型，然后再在命令行中输入训练执行命令比如（linux中）：./build/tools/caffe train --solver=examples/mydata/huihua_dongfang/mynetV2/solver.prototxt后来发现写一个批处理程序，可以一下子处理很多个网络模型，非常简单高效，能将自己从简单劳动

最近跑通了MTCNN的训练代码，对其中生成positive,negative,part样本gen_48net_data2.py代码进行修改。项目地址：https://github.com/dlunion/mtcnn对应代码地址：https://github.com/dlunion/mtcnn/blob/master/train/gen_48net_data2.py

基于原作者提供的python版本MTCNN修改，开源地址：https://github.com/DuinoDu/mtcnn我们的o-net训练代码参考如下开源项目：https://github.com/dlunion/mtcnn并做了适当修改参考：http://blog.youkuaiyun.com/xzzppp/article/details/76467514将我们训练的模型级联在作者提

为了验证我们训练的MTCNN的O-Net在训练集上的表现，我们写了一个测试代码，来测试训练图片的landmark的mean error。landmark标签格式如下所示：48/landmark/0.jpg -1 -1 -1 -1 -1 0.224199 0.505338 0.334520 0.327402 0.583630 0.364769 0.336299 0.596085 0.6743

本代码基于作者提供的python版本代码修改，参考：https://github.com/DuinoDu/mtcnn/blob/master/demo.py  （作者提供）https://github.com/dlunion/mtcnn/blob/master/train/gen_48net_data2.py1，生成positive,negative,part三种样本，

一、用fstream流批量读取wider face标注txt文件，实现将一个图片标注写成一行，写入txt文件中（显示相应人脸框）。#include #include #include #include #include #include #include using namespace cv;using namespace std;int main()

在对MTCNN进行landmark训练前，发现celebA数据集人脸bbox的标注不准确（landmark标注准确，可以使用），所以需要对人脸bbox进行重新标注，选择用faster rcnn对celebA数据集的bbox重新标注。参考博客：http://blog.youkuaiyun.com/xzzppp/article/details/52071546      用faster rcn

本博客在上一篇博客基础上添加了批量处理图片的功能，上一篇博客： Windows下cmake编译caffe，实现纯C++版本MTCNN人脸检测和关键点定位      作者提供的程序是读取摄像头视频，而我需要读取图片，且利用txt文件批量读取图片，分别对每一张图片进行人脸检测和人脸关键点检测，并保存检测结果（也可以显示每张图片效果图）。使用时，替换原来的

%功能描述：将excel文件数据写到txt文件中clear;clc[a,b,c] = xlsread('问卷数据.xls');fid = fopen('问卷数据.txt','w');for i = 1:length(b) fprintf(fid, '%s\t',b{1,i});endfprintf(fid,'\r\n'); %\r是回车，表示使光标下移一格,\n是换行，表示使光

本程序是在py-faster-rcnn/tools/demo.py的基础上进行修改的#!/usr/bin/env python # --------------------------------------------------------# Faster R-CNN# Copyright (c) 2015 Microsoft# Licensed under The MIT Li

本程序在py-faster-rcnn/tools/demo.py的基础上进行修改程序功能：利用训练好的caffemodel，对人脸进行标注#!/usr/bin/env python# --------------------------------------------------------# Faster R-CNN# Copyright (c) 2015 Microsoft

1、简介    Faster R-CNN是R-CNN系列深度学习人脸检测最好的方法，mean average precision（mAP）达到73.2%，目标检测的速度可以达到每秒5帧。    技术上将RPN网络和FastR-CNN网络结合到了一起，是一个CNN网络实现端到端目标检测的框架。R-CNN系列方法对比数据集1：Wider face      Wi

对py-faster-rcnn/tools/demo.py文件的解析：    运行该文件：先cd进入到py-faster-rcnn根目录，再在命令后窗口输入: ./tools/demo.py --net myvgg   即可运行#程序功能：调用caffemodel，画出检测到的人脸并显示#用来指定用什么解释器运行脚本，以及解释器所在位置，这样就可以直接执行脚本#!/usr/bin/e

#功能描述：读取一个txt文件，选择其中w,h大于阈值的，存入另一个txt文件中# -*- coding:utf-8 -*-import syssys.path.append('E:\\Anaconda\\libs')import numpy as np #numpy：提供矩阵运算功能的库 import cv2 #cv2：opencv库 import os

我们可能经常在linux下运行python脚本程序（hello.py）。但如果要将linux环境下的python脚本文件放到Windows环境下运行，不能直接运行，那该怎么办呢？       首先，我们要确保我们windows下安装了python编译环境，如：Anaconda。安装了opencv，这个在图像处理时需要用到。然后在hello.py中添加：       1、py文件不支持中文，

python作为一门强大的语言，能够实现jpg，tif，png，pgm等多种格式图片的相互转换。tif转换为jpg的代码如下，有需要的朋友可以参考：# -*- coding:utf-8 -*-import syssys.path.append('E:\\Anaconda\\libs')import numpy as np #numpy：提供矩阵运算功能的库 import cv2

英文原文：faste rcnn。其中生成RPN(Regional proposal network)的python代码解析本代码主要用于：生成尺度为：128,256,512; 宽高比为：1:2,1:1,2:1的anchor#功能描述：生成多尺度、多宽高比的anchors。# 尺度为：128,256,512; 宽高比为：1:2,1:1,2:1import numpy

1、  cd：切换工作目录cd /usr/local/include：进入到/usr/local/include目录下；2、  Ctrl+Alt+T：打开一个新的命令行窗口3、ls：显示当前目录下文件列表在命令行窗口中输入ls即可；4、  unzip filename.zip：解压zip格式文件，其他格式类似；5、cp：拷贝，格式：cp 源文件 目标目录sudo cp

一、添加附加包含目录      法1：-I path（path为头文件路径）      法2：将头文件拷贝到 /usr/local/include中      相当于VS中添加包含路径，如下图所示：二、添加依赖库       法1，编译阶段，g++编译器编译：       -L path –lcaffe（path为附加库目录路径；-l指定附加依赖项，比如

      笔者硕士阶段论文研究方向为：基于卷积神经网络的绘画图像分类研究， 需要使用训练好的caffemodel，对测试绘画图像进行分类和预测其类别。      本测试程序依赖python版本的caffe，需要将binaryproto格式均值文件转化为npy格式均值文件，代码如下：#coding=utf-8import syssys.path.append("D:\\Anaconda2\\...