这个项目旨在复现 Joint Cascade Face Detection and Alignment 这篇论文。
我强烈建议你通过 Git 软件来获取代码。如果你对 Git 不是很熟悉希望了解下，这个教程或许会帮助到你。
你可以通过以下的 Git 命令获取源代码
$ git clone --recursive https://github.com/luoyetx/JDA.git
或者
$ git clone https://github.com/luoyetx/JDA.git
$ cd JDA
$ git submodule update --init
如果你是直接从 Github 上下载 zip 压缩包，你同时需要从 luoyetx/liblinear 和 luoyetx/jsmnpp 这两个项目下载 zip 压缩包，然后把代码解压到 3rdparty 目录下。liblinear 这个库用来做回归，jsmnpp 这个库用来解析 json 配置文件。
项目使用 CMake 来构建代码，同时依赖 OpenCV 库。Windows 平台下需要设置 OpenCV_DIR 环境变量，指出 OpenCV 的安装路径，比如 D:/3rdparty/opencv2.4.11/build，同时需要 Visual Studio 来编译代码。如果是在 Linux/Unix 下，可以使用包管理工具安装 OpenCV 或者直接源码编译。
下面的命令可以用于 Linux 下的构建，强烈建议创建 build 目录，将编译的中间产物和结果都和源代码隔离开来，Windows 平台下也是如此。
$ cd JDA
$ mkdir build && cd build
$ cmake ..
$ make
同时有一份 Windows 平台下的编译指南。
项目使用 config.json 这个文件来配置算法参数，config.template.json 是一个模板，由于 json 格式的限制，json 文件中无法添加注释。关于文件路径的注意点，请尽量不要出现非 ASCII 码字符，同时不要有空格，路径分隔符最好全部使用 /。
对 config 文件的注解看这里
准备训练数据，这个确实很痛苦。大概需要两种图片数据，人脸和背景图。人脸同时需要附带关键点信息。人脸数据写在一个 text 文件中，然后在 config.json 中指出文件的路径，这样算法就可以加载到人脸数据了。text 文件中一行表示一张人脸，第一项是图片路径，后面紧接在人脸框在图片中的位置信息，后面是所有关键点在图片中的位置信息。关键点的个数需要在 config.json 中设置。同时算法可以支持没有关键点的人脸数据，把所有 x, y 的值设置成 -1 就行了。text 文件的格式如下。
../data/face/00001.jpg bbox_x bbox_y bbox_w bbox_h x1 y1 x2 y2 ........
../data/face/00002.jpg bbox_x bbox_y bbox_w bbox_h x1 y1 x2 y2 ........
....
....
训练时可以对人脸做翻转操作来增加数据量，需要在 config 中开启，同时因为翻转人脸同时需要翻转对称的关键点，还需要在 config 中指出哪些关键点的位置是相互对称的。如果人脸框超出了图片的边框，算法会将多余部分用 0 填充。
背景图的 text 比较简单，一行一个图片路径，背景图中最好不要出现人脸。
../data/bg/000001.jpg
../data/bg/000002.jpg
../data/bg/000003.jpg
....
....
背景图用来生成负样本，当负样本不足时，算法会从背景图中挖掘负样本，将算法分错的负样本（难例）添加到训练数据中。
为了减少图片数据加载的时间开销，代码会在初始训练数据生成完后将数据导出到文件系统中，所有中间导出的数据都在 data/dump 目录下，每个文件都会带有时间戳。同时算法运行时会先去找 data/jda_train_data.data 文件，如果存在，则直接加载训练数据，不会再去读取 face.txt 文件中的数据，也就不会再去加载原始图片，这样可以节省不少加载的时间。
我共享了自己收集的数据，如果你感兴趣请参看这个 issue。
Linux 下直接运行下面的命令
$ ./jda train
Visual Studio 下需要设置命令行参数，具体操作请自行搜索。训练过程中产生的模型文件均在 model 目录下。
模型文件是一个二进制文件，参数类型主要有两种，4 字节 int 和 8 字节 double，同时注意下自己 CPU 的大小端。
|-- mask (int)
|-- meta
| |-- T (int)
| |-- K (int)
| |-- landmark_n (int)
| |-- tree_depth (int)
| |-- current_stage_idx (int) // training status
| |-- current_cart_idx (int)
|-- mean_shape (double, size = 2*landmark_n)
|-- stages
| |-- stage_1
| | |-- cart_1
| | |-- cart_2
| | |-- ...
| | |-- cart_K
| | |-- global regression weight
| |-- stage_2
| |-- ...
| |-- stage_T
|-- mask (int)
更多模型文件的细节可以参考这两个文件 cascador.cpp 和 cart.cpp。
FDDB 数据集经常用于人脸检测算法的评价, 将数据下载解压到 data 目录下。
|-- data
| |-- fddb
| |-- images
| | |-- 2002
| | |-- 2003
| |-- FDDB-folds
| | |-- FDDB-fold-01.txt
| | |-- FDDB-fold-01-ellipseList.txt
| | |-- ....
| |-- result
准备好数据和模型，在 config 中设置检测参数，运行测试。生成的 text 文件可以给这个评价程序使用。
$ ./jda fddb
欢迎加入 QQ 群 347185749 来讨论人脸相关的算法。
BSD 3-Clause