light_cnn出自2016 cvpr吴翔A Light CNN for Deep Face Representation with Noisy Labels，

优势在于一个很小的模型和一个非常不错的识别率。主要原因在于，

（1）作者使用maxout作为激活函数，实现了对噪声的过滤和对有用信号的保留，从而产生更好的特征图MFM(Max-Feature-Map)。这个思想非常不错，本人将此思想用在center_loss中，实现了大概0.5%的性能提升，同时，这个maxout也就是所谓的slice+eltwise，这2个层的好处就是，一，不会产生训练的参数，二，基本很少耗时，给人的感觉就是不做白不做，性能还有提升。

（2）作者使用了NIN(Network inNetwork)来减少参数，并提升效果，作者提供的A模型是没有NIN操作的，B模型是有NIN操作的，2个模型的训练数据集都是CASIA，但是性能有0.5%的提升，当然代价是会有额外参数的产生。但是相比其他网络结构，使用NIN还是会使模型小不少，作者论文中的网络结构和B,C模型相对应。

 

模型比较如下：

 

作者论文中的识别率是98.80%和实际测试结果非常接近，本人测试使用的对齐方式是使用作者提供的对齐方式。

         这里的S模型，是大神分享的基于light_cnn稍作修改的模型，其实就是通过卷基层替换全连接层来减少参数，当然为了保证输出为256维特征，作者在第一个卷基层的stride*2，这样使得卷积后特征图缩小为原来1半。这种方法减少了模型参数，同时，stride*2使得卷积过程少了1半以上，也许GPU并行后未必会有明显的反应，但是cpu模式下，就会看出运行时间减少不少。

 

修改的作者的对齐程序：

基本思想还是反射变换warpaffine的思想，根据眼睛做旋转，根据眼睛中点和嘴巴中点做缩放，然后crop而出）。

 

function [res, eyec2, cropped, resize_scale] = align(img, f5pt, ec_mc_y, ec_y,crop_size)
f5pt = double(f5pt);
ang_tan = (f5pt(1,2)-f5pt(2,2))/(f5pt(1,1)-f5pt(2,1));
ang = atan(ang_tan) / pi * 180;
img_rot = imrotate(img, ang, 'bicubic');
imgh = size(img,1);
imgw = size(img,2);

% eye center
x = (f5pt(1,1)+f5pt(2,1))/2;
y = (f5pt(1,2)+f5pt(2,2))/2;
% x = ffp(1);
% y = ffp(2);

ang = -ang/180*pi;
%{
x0 = x - imgw/2;
y0 = y - imgh/2;
xx = x0*cos(ang) - y0*sin(ang) + size(img_rot,2)/2;
yy = x0*sin(ang) + y0*cos(ang) + size(img_rot,1)/2;
%}
[xx, yy] = transform(x, y, ang, size(img), size(img_rot));
eyec = round([xx yy]);
x = (f5pt(4,1)+f5pt(5,1))/2;
y = (f5pt(4,2)+f5pt(5,2))/2;
[xx, yy] = transform(x, y, ang, size(img), size(img_rot));
mouthc = round([xx yy]);

resize_scale = ec_mc_y/abs(mouthc(2)-eyec(2));

img_resize = imresize(img_rot, resize_scale);

res = img_resize;
eyec2 = (eyec - [size(img_rot,2)/2 size(img_rot,1)/2]) * resize_scale + [size(img_resize,2)/2 size(img_resize,1)/2];
eyec2 = round(eyec2);
img_crop = zeros(crop_size, crop_size, size(img_rot,3));
% crop_y = eyec2(2) -floor(crop_size*1/3);
crop_y = eyec2(2) - ec_y;
crop_y_end = crop_y + crop_size - 1;
crop_x = eyec2(1)-floor(crop_size/2);
crop_x_end = crop_x + crop_size - 1;

box = guard([crop_x crop_x_end crop_y crop_y_end], size(img_resize,1));
if (box(2)>size(img_resize,2)||box(4)>size(img_resize,1))
    img_crop(box(3)-crop_y+1:box(4)-crop_y+1, box(1)-crop_x+1:box(2)-crop_x+1,:) =imresize(img_resize,[box(4)-box(3)+1,box(2)-box(1)+1]);
else
    img_crop(box(3)-crop_y+1:box(4)-crop_y+1, box(1)-crop_x+1:box(2)-crop_x+1,:) = img_resize(box(3):box(4),box(1):box(2),:);
end
% img_crop = img_rot(crop_y:crop_y+img_size-1,crop_x:crop_x+img_size-1);
cropped = img_crop/255;
end

function r = guard(x, N)
x(x<1)=1;
x(x>N)=N;
r = x;
end

function [xx, yy] = transform(x, y, ang, s0, s1)
% x,y position
% ang angle
% s0 size of original image
% s1 size of target image

x0 = x - s0(2)/2;
y0 = y - s0(1)/2;
xx = x0*cos(ang) - y0*sin(ang) + s1(2)/2;
yy = x0*sin(ang) + y0*cos(ang) + s1(1)/2;
end

 

 

 

测试程序：

其中，list.txt数据格式如下：

路径/图片类别eye_x  eye_y  eye_x  eye_y  nose_x nose_y  mouse_x  mouse _y

 

 

 

clear;
clc;
imagelist=importdata('list.txt');

addpath('/home/caffe/matlab');
caffe.reset_all();

% load face model and creat network
caffe.set_device(0);
caffe.set_mode_gpu();
%-------1
model = 'LightenedCNN_A_deploy.prototxt';
weights = 'LightenedCNN_A.caffemodel';
%-------2
% model = 'LightenedCNN_B_deploy.prototxt';
% weights = 'LightenedCNN_B.caffemodel';
%-------3
% model = 'LightenedCNN_C_deploy.prototxt';
% weights = 'LightenedCNN_C.caffemodel';

net = caffe.Net(model, weights, 'test');

features=[];

for k=1:size(imagelist.textdata,1)
    
    f5pt = [imagelist.data(k,3),imagelist.data(k,5), imagelist.data(k,7),imagelist.data(k,9),imagelist.data(k,11);...
        imagelist.data(k,2),imagelist.data(k,4), imagelist.data(k,6),imagelist.data(k,8),imagelist.data(k,10)];
    f5pt=f5pt';
   
    crop_size=128;
    ec_mc_y=48;
    ec_y=40;
    [img2, eyec, img_cropped, resize_scale] = align(img, f5pt, ec_mc_y, ec_y, crop_size);
    
    img_final = imresize(img_cropped, [crop_size crop_size], 'Method', 'bicubic');

    img_final = permute(img_final, [2,1,3]);
    img_final = img_final(:,:,[3,2,1]);
    
    if size(img_final,3)>1
    img_final = rgb2gray(img_final);
    end
    
    tic
    res = net.forward({img_final});  
    toc
    features=[features;[res{1,1}]'];   
end
score=[];
for i=1:2:size(features,1)
    scoretmp=pdist2(features(i,:),features(i+1,:),'cosine');%chisq,emd,L1,cosine,euclidean
    score=[score;scoretmp];
end
figure,plot(score);
caffe.reset_all();

 

训练的proto文件：http://download.csdn.net/detail/qq_14845119/9790137

 

reference：

https://github.com/AlfredXiangWu/face_verification_experiment