seetaface開源人臉檢測框架實現人臉檢測，opencv+dnn模組實現性別分類，qt做顯示介面，完成一個課程設計。

依賴庫：opencv3.1+ 包含dnn模組，QT5

1.性別分類網路訓練

1.1.訓練資料準備

下載lfw人臉資料庫，由於原始資料集未提供性別標籤，參考了GitHub專案LFWgender，訪問一個網路api介面，根據姓名對資料新增上標籤。最終獲得了約1600張圖片作為訓練資料，600張圖片作為驗證集，男女樣本各一半。

1.2.人臉檢測與臉部區域擷取

性別識別的第一步是人臉檢測，而我們送到卷積網路訓練和預測的資料，實際上就是檢測出來的人臉區域，因此，我們首先要對lfw資料集做人臉檢測與臉部擷取，擷取前與擷取後的圖如下

我們用seetaface開源人臉檢測做人臉檢測，檢測出的人臉區域為紅色框部分。為了讓輸入到卷積網路的圖片包含充分的資訊，我們把人臉區域按照一定方法，擴充套件到一個更合理的區域，即綠色框區域。實際的訓練集與驗證集都應該是最右邊的圖片，即擷取之後的圖片。

實現步驟

1.用Python指令碼獲取圖片檔案訪問路徑
形如
E:\female\Adelina_Avila_0001.jpg;0
E:\female\Adelina_Avila_0001.jpg;1
這樣的txt檔案，前面是檔案絕對路徑，後面是標籤，0表示女性。

#encoding:utf-8
import os
'''
獲取male樣本和female樣本中的圖片的絕對路徑，
並儲存在txt檔案中，male樣本路徑後加上標籤1，female樣本路徑後加上標籤2，
如
male0.jpg;1
male1.jpg;1
female0.jpg;2
female1.jpg;2
'''
 

#root = os.getcwd()
#print root
male_path = os.path.abspath('female') #male相對路徑
file_list = os.listdir(male_path)#female路徑下的圖片相對路徑 male0.jpg
#print file_list
f = open('label.txt','w')
abs_path_list=[]#圖片絕對路徑
print 'male......'
for file in file_list:
    file_name = male_path+'\\'+file
    print file_name
    abs_path_list.append(file_name+';0\n'
 
)

female_path = os.path.abspath('valfemale')
file_list = os.listdir(female_path)
print 'female......'
for file in file_list:
    file_name = female_path+'\\'+file
    abs_path_list.append(file_name+';1\n')

f.writelines(abs_path_list)

2.用seetaface人臉檢測提取綠色框部分並儲存

遍歷之前Python指令碼獲取的圖片訪問路徑，逐個檢測人臉，人臉區域擴充套件，依據label 0 1儲存到femaleroi和maleroi資料夾

#include <cstdint>
#include <fstream>
#include <iostream>
#include <string>

#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
//#include<opencv2/opencv.hpp>

#include "face_detection.h"

using namespace std;
using namespace cv;
void read_csv(string& fileName, vector<string>& images, vector<int>& labels, char separator = ';')//參考opencv官網的一段例子
{
    ifstream file(fileName.c_str(), ifstream::in);
    string line, path, label;
    while (getline(file, line))
    {
        stringstream lines(line);
        getline(lines, path, separator);
        getline(lines, label);
        if (!path.empty() && !label.empty())
        {
            images.push_back(path);
            labels.push_back(atoi(label.c_str()));
        }
    }
}
void SplitString(const std::string& s, std::vector<std::string>& v, const std::string& c)
//為了從E:/female/Adelina_Avila_0001.jpg擷取Adelina_Avila_0001.jpg字元段寫的字串函式
{
    std::string::size_type pos1, pos2;
    pos2 = s.find(c);
    pos1 = 0;
    while (std::string::npos != pos2)
    {
        v.push_back(s.substr(pos1, pos2 - pos1));

        pos1 = pos2 + c.size();
        pos2 = s.find(c, pos1);
    }
    if (pos1 != s.length())
        v.push_back(s.substr(pos1));
}

int main()
{
    seeta::FaceDetection detector("seeta_fd_frontal_v1.0.bin");

    detector.SetMinFaceSize(40);
    detector.SetScoreThresh(2.f);
    detector.SetImagePyramidScaleFactor(0.8f);
    detector.SetWindowStep(4, 4);
    vector<string> images;
    vector<int> labels;
    string csv_path = "E:/label.txt";
    read_csv(csv_path, images, labels);
    for (int i = 0; i < labels.size();++i)
    {
        string img_path = images[i];
        int label = labels[i];
        cv::Mat img = cv::imread(img_path, cv::IMREAD_UNCHANGED);
        cv::Mat img_gray;

        if (img.channels() != 1)
            cv::cvtColor(img, img_gray, cv::COLOR_BGR2GRAY);
        else
            img_gray = img;

        seeta::ImageData img_data;
        img_data.data = img_gray.data;
        img_data.width = img_gray.cols;
        img_data.height = img_gray.rows;
        img_data.num_channels = 1;

        std::vector<seeta::FaceInfo> faces = detector.Detect(img_data);
#ifdef USE_OPENMP
        cout << "OpenMP is used." << endl;
#else
        cout << "OpenMP is not used. " << endl;
#endif

#ifdef USE_SSE
        cout << "SSE is used." << endl;
#else
        cout << "SSE is not used." << endl;
#endif
        cv::Rect face_rect;
        int32_t num_face = static_cast<int32_t>(faces.size());
        cout << "人臉個數" << num_face << endl;
        for (int32_t i = 0; i < num_face; i++) {
            face_rect.x = faces[i].bbox.x;
            face_rect.y = faces[i].bbox.y;
            face_rect.width = faces[i].bbox.width;
            face_rect.height = faces[i].bbox.height;
            //擴充臉部至更大範圍的頭部,250是原圖片大小
            float extend = MIN(MIN(face_rect.x, face_rect.y), MIN(250 - 1 - face_rect.x - face_rect.width, 250 - 1 - face_rect.y - face_rect.height));
            extend = MIN(extend, face_rect.height / 4);
            face_rect.x -= extend;
            face_rect.y -= extend;
            face_rect.width = face_rect.width + 2 * extend;
            face_rect.height = face_rect.height + 2 * extend;
            cout << "人臉大小" << face_rect.size() << endl;
            if ((face_rect.x + face_rect.width)>img.rows || (face_rect.y + face_rect.height) > img.cols ||(face_rect.x<0) ||(face_rect.y<0))
                continue;
            cv::Mat roi;
            img(face_rect).copyTo(roi);
            string maleroot = "E:/valmale/";
            string femaleroot = "E:/valfemale/";
            vector<string> vs;
            string c = "/";
            SplitString(img_path, vs, c);//擷取圖片檔名，以便儲存roi圖片
            if (label == 0)
                cv::imwrite(maleroot + vs[vs.size() - 1], roi);
                //vs vector(E:,female,Adelina_Avila_0001.jpg),所以vs.size()-1指向最後的元素
            else
                cv::imwrite(femaleroot + vs[vs.size() - 1], roi);
            //cv::rectangle(img, face_rect, CV_RGB(0, 0, 255), 4, 8, 0);

        }

    }

    return 0;
}

上述Python與cpp程式碼完成了將檢測到的人臉擴充套件到一定範圍，並將此範圍擷取儲存到對應資料夾的操作。訓練集和驗證集可以自己切分，最後會有MaleTrainRoi, FemaleTrainRoi, MaleValRoi, FemaleValRoi四個資料夾，為後續使用caffe訓練自己的資料做準備。