[普通]​MTCNN实现流程

文章：https://arxiv.org/pdf/1604.02878.pdf

code：

1、mxnet上的实现：https://github.com/Seanlinx/mtcnn

2、tensorflow上的实现：https://github.com/AITTSMD/MTCNN-Tensorflow

3、pytorch上的实现： https://github.com/TropComplique/mtcnn-pytorch

4、caffe上的实现： https://github.com/CongWeilin/mtcnn-caffe

Tips： 个人建议在看这篇文章的时候，对照着pytorch的实现代码理解，尤其是里面的 try_mtcnn_step_by_step.ipynb 非常有助于理解整个文章的流程。

流程图

网络结构图

P-Net即Proposal net用于初始候选框提取

R-Net即refinement net用于进一步精简第一步的候选框

O-Net即output net用于输出最终的人脸框和5个landmark点

注意：P-net是个全卷积神经网络，因此可以输入不同大小的图像

具体流程（inference阶段）

1、对于给定的输入图像，进行scale操作，得到若干个不同scale的输入图像，这一步的目的是能够针对不同大小人脸进行候选框的检测

2-1、将不同scale的图像输入到P-Net中，注意，P-Net中的12123的输入只是一个示意图，代表对于图像中的1212的区域，经过P-Net的卷积后，就变成了一个11，而因为输入的图像大小不同，因此输出的大小也不同，假设输出的大小为wh，则输出的每个点都对应于原图中的一个1212的大小的区域。

2-2、设定阈值，根据face classification的结果，选出可能含有目标框的点

2-3、将这些在不同尺度下可能是目标框的点映射到原始没有经过scale的图中，得到了很多候选区域。

2-4、使用nms算法对目标框进行筛选，并且根据P-Net中输出的offset（对应bounding box regression）对候选框进行微调，校准。

3、将上一步得到所有候选框提取出来，并resize到24*24的大小，输入至R-Net中，并根据face classification的值，进一步对候选进行筛选，类似于2-4中的操作，对目标框位置进行筛选校准

4、类似于第3步的操作，进一步对目标框进行筛选，并得到最终的输出结果，并且根据Facial landmark的输出得到5个landmark。

注意，上述步骤中不同与上图的部分是，在P-Net和R-Net中，都没有输出Facial landmark localization，只在最终的O-Net中输出了。