deep-learning

动漫脸数据集的预处理管线

处理管线#

如上图所示，整个处理管线就是这样了，下面是每个步骤的详细描述

  1. 根据爬取到的sqlite数据库，对日榜图片进行过滤。这里主要是为了过滤掉大多数的黑白漫画，这类型漫画的一个明显特征就是同一id下的投稿图片会很多。所以，这一阶段可以根据一些Tag来进行粗略的过滤，如带有x000user字样的Tag就代表了该作品的收藏数大概有多少。这里的话，找到有0000user字样的Tag（收藏至少为1万），就允许最多5张投稿，否则会被过滤掉。同理，若找到5000user字样的Tag，则允许3张投稿，若有000user（大于1000），则允许2张投稿，否则只允许1张投稿。其实也就几条sql语句和if语句的事情。
  2. 将剩下的图片从RGB转成HSV格式，对任何H、S、V通道下均值低于20的图片都进行过滤。这里是为了过滤掉混在其中的一些对比度太低，或者是单色的漫画图片。
  3. 将过滤后的图片扔去Faster R-CNN和CascadeClassifier进行bbox检测，得到两份识别结果，然后都把结果处理成统一的格式即可。我是直接用一个Dictionary存的，key是文件名，value是bbox的list。因为CascadeClassifier相比于Faster R-CNN而言是一个识别瓶颈，所以就顺势加上个限制条件——把宽高小于64的bbox过滤掉，避免裁剪缩放到128像素时太难看；并且将多于5个bbox的图片也过滤掉，避免一些表情包之类的图片出现在里面，造成同一张脸重复或相似地多次出现。
  4. 对两个结果求交集，即求文件名的交集。这一步就只留下了两边都检测到bbox的文件名和对应的两个识别结果下的bbox了
  5. 对两个结果的bbox求重叠的IoU比，然后将那些明显不重叠的bbox去掉，这里取的IoU比是0.7，比值高的话要求重叠部分面积占比更大。由于CascadeClassifier的结果是瓶颈，所以直接过滤CascadeClassifier的结果就好了，不必对Faster R-CNN的结果再做修改。
  6. 最后，根据上一步的IoU比进行Faster R-CNN和CascadeClassifier的结果之间的一对一映射，这是一个典型的稳定匹配问题，简单来说就是OJ算法题中的稳定婚姻问题了。这一步可以将潜在的重复bbox给过滤掉，不这么做的话，其实也可以将CascadeClassifier的bbox求两两间的IoU比，把明显有重叠的bbox过滤也是可行的。
  7. 最后，按照剩下的幸存bbox，进行裁剪缩放然后再次进行2.中的HSV过滤，没被过滤掉就保存。

结果就是上篇中的最后图片了，得到的大部分都是高质量的插画图片了。

相关代码#

OpenCV的GPU CascadeClassifier识别代码，多线程版本#

代码见此（c++）

使用VS编译，OpenCV兼容3.4.x，不兼容4.x（因为4.x移除了GPU部分代码），记得修改项目相关的OpenCV路径就好了。要求运行的OpenCV库编译时有选中WITH_CUDA。

默认把lbpcascade_animeface.xml放在D:\下，可以自己更改。

Faster R-CNN识别代码#

代码见此（python，tensorflow GPU框架）

处理管线的代码#

代码见此（python）

改main下的两个load_xxxx_result的路径，以及裁剪输出里面的out_dir和imread里面的前置路径。