人脸对齐matlab实现-FaceAlignment 3000fps

前言

最近研读了孙剑团队的Face Alignment at 3000fps via Regressing Local Binary Features这篇paper，基于matlab进行实现。

实现原理：

包含训练和测试两个阶段；

1.基于标准随机森林回归算法独立地学习每个特征点的局部二值特征，连接形成每张图像的特征；

2.基于双坐标下降法学习全局线性回归；

论文下载：

http://www.jiansun.org/papers/CVPR14_FaceAlignment.pdf

matlab实现步骤：

1.源代码地址(含有实现方法的英文说明)：

https://github.com/jwyang/face-alignment

2.环境：

官方：win64 + matlab2014a；

个人：win64 + matlab2014b；

3.下载数据库：

数据库下载网址：http://ibug.doc.ic.ac.uk/resources/facial-point-annotations

可以下载需要的样本库，不过发现300W四个文件夹中的数据完全一样；

4.配置训练样本函数的依赖库liblinear.

从网址http://www.csie.ntu.edu.tw/~cjlin/liblinear/可以直接下载liblinear库文件.

如果系统是windows64可以直接将里边windows文件夹中的文件全部拷贝到创建的matlab工程目录下；

5.准备数据.

将数据库解压到工程目录新建的datasets文件夹中，细节可参见train_model.m文件.

6.train_model.m文件中代码表示读入的训练样本数据的文件是Path_Image.txt，所以进入cmd控制台change目录到datasets文件夹中的一个数据库中，比如.\afw，然后输入命令dir /b/s/p/w *.jpg>Path_Images.txt，这是将所有jpg格式的文件名都输入到Path_Images.txt文件中，其他数据库文件的获取类似，注意图片格式和路径即可.

7.训练样本库.

1)在matlab工程目录下创建一个m文件，命名为train_3000fps.m；

filepath_ranf = './ranf.mat';
filepath_ws = './ws.mat';
lbfmodel = train_model_func({ 'afw' });
ranf = lbfmodel.ranf;
ws = lbfmodel.Ws;
save(filepath_ranf, 'ranf');
save(filepath_ws, 'ws');

2)基于train_model.m重新生成train_model_func.m的函数形式；

二者的主体内容完全一样，train_model_func.m只需要在函数开始部分添加一行函数头即可；

1	`function` `LBFRegModel = train_model_func( dbnames )`

然后执行train_3000fps.m文件开始进行训练，训练时间可能会比较长，训练完成之后会得到ranf.mat和ws.mat两个文件.

8.测试结果.

按照步骤6的方法生成要进行测试的数据库的Path_Image.txt文件，然后在matlab工程目录下创建test_3000fps.m文件，

filepath_ranf='./ranf.mat';
filepath_ws='./ws.mat';
 
r=load(filepath_ranf);
w=load(filepath_ws);
ranf=r.ranf;
ws=w.ws;
t.ranf=ranf;
t.Ws=ws;
 
test_model_func({'ibug'},t);

同时基于test_model.m重新生成test_model_func.m文件，参考步骤7所示，

1	`function` `test_model_func( dbnames, LBFRegModel )`

执行test_3000fps.m文件即可完成测试过程.

9.测试结果的显示；

将测试文件改写为如下，其中文件路径和名称可按照自己的想法进行设置；

filepath_ranf='./ranf.mat';
filepath_ws='./ws.mat'; 
 
r=load(filepath_ranf);
w=load(filepath_ws); 
ranf=r.ranf;
ws=w.ws; 
t.ranf=ranf;
t.Ws=ws;
 
% test_model_func({'ibug'},t);
% %查看结果
[predshapes, Data] = test_model_func({'ibug'}, t);
[X, Y, N] = size( predshapes );
for i=1:N
   shapes=predshapes(:,:,i);
   img=Data{i}.img_gray;
   %drawshapes(img, [shapes,Data{i}.shape_gt]);
   drawshapes(img, Data{i}.shape_gt);
   rectangle('Position',  Data{i}.bbox_facedet, 'EdgeColor', 'b');
   name = ['.\ibug\', int2str(i),'_1'];
   print(gcf, '-dpng', name);
   hold off;
%    pause;
end

需要改写以下几处：

1)测试文件的test_model_func.m文件；

1	`function` `[predshapes, Data] = test_model_func( dbnames, LBFRegModel )`

2)test_model_func.m文件中调用globalprediction函数部分的输出格式作出一些修改；

1	`[Data, predshapes] = globalprediction(binfeatures, Ws{min(s, params.max_numstage)}, Data, Param,` `min(s, params.max_numstage));`

3)修改globalprediction.m文件的函数头；

1 2	`%function Te_Data = globalprediction(binaryfeatures, W, Te_Data, params, stage)` `function` `[Te_Data, predshapes] = globalprediction(binaryfeatures, W, Te_Data, params, stage)`

另外，可以更改drawshapes.m文件，得到你想要的显示类型。

实现结果

基于matlab按照以上步骤实现，速度没有论文中的3000fps那么快，当然也可能是系统优化等方面的问题，精度相比sdm稍逊一些；

另外，针对红外图像的landmarks，与一般图像相比，SDM的效果没差，但是LBF的效果就差一些；

接下来也会实现c++版本，测试一下效果；

参考

1.http://blog.csdn.net/wangjian8006/article/details/42004717

2.GitHub：https://github.com/jwyang/face-alignment

3.http://blog.csdn.net/xiamentingtao/article/details/50821972

4.大牛博客

完