点击上方“小白学视觉”，选择加"星标"或“置顶”

重磅干货，第一时间送达

本文转自|OpenCV学堂

【导语】本文搞了一个小的库，主要是用于定位红外小目标。由于其具有尺度很小的特点，所以可以尝试用点的方式代表其位置。本文主要采用了回归和heatmap两种方式来回归关键点，是一个很简单基础的项目，代码量很小，可供新手学习。

1. 数据来源

数据集：数据来源自小武，经过小武的授权使用，但不会公开。本项目只用了其中很少一部分共108张图片。

标注工具：https://github.com/pprp/landmark_annotation

标注工具也可以在公众号后台回复“landmark”关键字获取

上图是数据集中的两张图片，红圈代表对应的目标，标注的时候只需要在其中心点一下即可得到该点对应的横纵坐标。

该数据集有一个特点，每张图只有一个目标（不然没法用简单的方法回归），多余一个目标的图片被剔除了。

1
0.42 0.596

以上是一个标注文件的例子，1.jpg对应1.txt

2. 回归确定关键点

回归确定关键点比较简单，网络部分采用手工构建的一个两层的小网络，训练采用的是MSELoss。

这部分代码在：https://github.com/pprp/SimpleCVReproduction/tree/master/simple_keypoint/regression

2.1 数据加载

数据的组织比较简单，按照以下格式组织：

- data- images- 1.jpg- 2.jpg- ...- labels- 1.txt- 2.txt- ...

重写一下Dataset类，用于加载数据集。

class KeyPointDatasets(Dataset):def __init__(self, root_dir="./data", transforms=None):super(KeyPointDatasets, self).__init__()self.img_path = os.path.join(root_dir, "images")# self.txt_path = os.path.join(root_dir, "labels")self.img_list = glob.glob(os.path.join(self.img_path, "*.jpg"))self.txt_list = [item.replace(".jpg", ".txt").replace("images", "labels") for item in self.img_list]if transforms is not None:self.transforms = transformsdef __getitem__(self, index):img = self.img_list[index]txt = self.txt_list[index]img = cv2.imread(img)if self.transforms:img = self.transforms(img)label = []with open(txt, "r") as f:for i, line in enumerate(f):if i == 0:# 第一行num_point = int(line.strip())else:x1, y1 = [(t.strip()) for t in line.split()]# range from 0 to 1x1, y1 = float(x1), float(y1)tmp_label = (x1, y1)label.append(tmp_label)return img, torch.tensor(label[0])def __len__(self):return len(self.img_list)@staticmethoddef collect_fn(batch):imgs, labels = zip(*batch)return torch.stack(imgs, 0), torch.stack(labels, 0)

返回的结果是图片和对应坐标位置。

2.2 网络模型

import torch
import torch.nn as nnclass KeyPointModel(nn.Module):def __init__(self):super(KeyPointModel, self).__init__()self.conv1 = nn.Conv2d(3, 6, 3, 1, 1)self.bn1 = nn.BatchNorm2d(6)self.relu1 = nn.ReLU(True)self.maxpool1 = nn.MaxPool2d((2, 2))self.conv2 = nn.Conv2d(6, 12, 3, 1, 1)self.bn2 = nn.BatchNorm2d(12)self.relu2 = nn.ReLU(True)self.maxpool2 = nn.MaxPool2d((2, 2))self.gap = nn.AdaptiveMaxPool2d(1)self.classifier = nn.Sequential(nn.Linear(12, 2),nn.Sigmoid())def forward(self, x):x = self.conv1(x)x = self.bn1(x)x = self.relu1(x)x = self.maxpool1(x)x = self.conv2(x)x = self.bn2(x)x = self.relu2(x)x = self.maxpool2(x)x = self.gap(x)x = x.view(x.shape[0], -1)return self.classifier(x)

其结构就是卷积+pooling+卷积+pooling+global average pooling+Linear，返回长度为2的tensor。

2.3 训练

def train(model, epoch, dataloader, optimizer, criterion):model.train()for itr, (image, label) in enumerate(dataloader):bs = image.shape[0]output = model(image)loss = criterion(output, label)optimizer.zero_grad()loss.backward()optimizer.step()if itr % 4 == 0:print("epoch:%2d|step:%04d|loss:%.6f" % (epoch, itr, loss.item()/bs))vis.plot_many_stack({"train_loss": loss.item()*100/bs})total_epoch = 300
bs = 10
########################################
transforms_all = transforms.Compose([transforms.ToPILImage(),transforms.Resize((360,480)),transforms.ToTensor(),transforms.Normalize(mean=[0.4372, 0.4372, 0.4373],std=[0.2479, 0.2475, 0.2485])
])datasets = KeyPointDatasets(root_dir="./data", transforms=transforms_all)data_loader = DataLoader(datasets, shuffle=True,batch_size=bs, collate_fn=datasets.collect_fn)model = KeyPointModel()optimizer = torch.optim.Adam(model.parameters(), lr=3e-4)
# criterion = torch.nn.SmoothL1Loss()
criterion = torch.nn.MSELoss()
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=30,gamma=0.1)for epoch in range(total_epoch):train(model, epoch, data_loader, optimizer, criterion)loss = test(model, epoch, data_loader, criterion)if epoch % 10 == 0:torch.save(model.state_dict(),"weights/epoch_%d_%.3f.pt" % (epoch, loss*1000))

loss部分使用Smooth L1 loss或者MSE loss均可。

MSE Loss:

Smooth L1 Loss:

2.4 测试结果

3. heatmap确定关键点

这部分代码很多参考了CenterNet，不过曾经尝试CenterNet中的loss在这个问题上收敛效果不好，所以参考了kaggle人脸关键点定位的解决方法，发现使用简单的MSELoss效果就很好。

3.1 数据加载

这部分和CenterNet构建heatmap的过程类似，不过半径的确定是人工的。因为数据集中的目标都比较小，半径的范围最大不超过半径为30个像素的圆。

class KeyPointDatasets(Dataset):def __init__(self, root_dir="./data", transforms=None):super(KeyPointDatasets, self).__init__()self.down_ratio = 1self.img_w = 480 // self.down_ratioself.img_h = 360 // self.down_ratioself.img_path = os.path.join(root_dir, "images")self.img_list = glob.glob(os.path.join(self.img_path, "*.jpg"))self.txt_list = [item.replace(".jpg", ".txt").replace("images", "labels") for item in self.img_list]if transforms is not None:self.transforms = transformsdef __getitem__(self, index):img = self.img_list[index]txt = self.txt_list[index]img = cv2.imread(img)if self.transforms:img = self.transforms(img)label = []with open(txt, "r") as f:for i, line in enumerate(f):if i == 0:# 第一行num_point = int(line.strip())else:x1, y1 = [(t.strip()) for t in line.split()]# range from 0 to 1x1, y1 = float(x1), float(y1)cx, cy = x1 * self.img_w, y1 * self.img_hheatmap = np.zeros((self.img_h, self.img_w))draw_umich_gaussian(heatmap, (cx, cy), 30)return img, torch.tensor(heatmap).unsqueeze(0)def __len__(self):return len(self.img_list)@staticmethoddef collect_fn(batch):imgs, labels = zip(*batch)return torch.stack(imgs, 0), torch.stack(labels, 0)

核心函数是draw_umich_gaussian，具体如下：

def gaussian2D(shape, sigma=1):m, n = [(ss - 1.) / 2. for ss in shape]y, x = np.ogrid[-m:m + 1, -n:n + 1]h = np.exp(-(x * x + y * y) / (2 * sigma * sigma))h[h < np.finfo(h.dtype).eps * h.max()] = 0# 限制最小的值return hdef draw_umich_gaussian(heatmap, center, radius, k=1):diameter = 2 * radius + 1gaussian = gaussian2D((diameter, diameter), sigma=diameter / 6)# 一个圆对应内切正方形的高斯分布x, y = int(center[0]), int(center[1])width, height = heatmap.shapeleft, right = min(x, radius), min(width - x, radius + 1)top, bottom = min(y, radius), min(height - y, radius + 1)masked_heatmap = heatmap[y - top:y + bottom, x - left:x + right]masked_gaussian = gaussian[radius - top:radius +bottom, radius - left:radius + right]if min(masked_gaussian.shape) > 0 and min(masked_heatmap.shape) > 0:  # TODO debugnp.maximum(masked_heatmap, masked_gaussian * k, out=masked_heatmap)# 将高斯分布覆盖到heatmap上，取最大，而不是叠加return heatmap

sigma参数直接沿用了CenterNet中的设置，没有调节这个超参数。

3.2 网络结构

网络结构参考了知乎上一个复现YOLOv3中提到的模块，Sematic Embbed Block(SEB)用于上采样部分，将来自低分辨率的特征图进行上采样，然后使用3x3卷积和1x1卷积统一通道个数，最后将低分辨率特征图和高分辨率特征图相乘得到融合结果。

class SematicEmbbedBlock(nn.Module):def __init__(self, high_in_plane, low_in_plane, out_plane):super(SematicEmbbedBlock, self).__init__()self.conv3x3 = nn.Conv2d(high_in_plane, out_plane, 3, 1, 1)self.upsample = nn.UpsamplingBilinear2d(scale_factor=2)self.conv1x1 = nn.Conv2d(low_in_plane, out_plane, 1)def forward(self, high_x, low_x):high_x = self.upsample(self.conv3x3(high_x))low_x = self.conv1x1(low_x)return high_x * low_xclass KeyPointModel(nn.Module):"""downsample ratio=2"""def __init__(self):super(KeyPointModel, self).__init__()self.conv1 = nn.Conv2d(3, 6, 3, 1, 1)self.bn1 = nn.BatchNorm2d(6)self.relu1 = nn.ReLU(True)self.maxpool1 = nn.MaxPool2d((2, 2))self.conv2 = nn.Conv2d(6, 12, 3, 1, 1)self.bn2 = nn.BatchNorm2d(12)self.relu2 = nn.ReLU(True)self.maxpool2 = nn.MaxPool2d((2, 2))self.conv3 = nn.Conv2d(12, 20, 3, 1, 1)self.bn3 = nn.BatchNorm2d(20)self.relu3 = nn.ReLU(True)self.maxpool3 = nn.MaxPool2d((2, 2))self.conv4 = nn.Conv2d(20, 40, 3, 1, 1)self.bn4 = nn.BatchNorm2d(40)self.relu4 = nn.ReLU(True)self.seb1 = SematicEmbbedBlock(40, 20, 20)self.seb2 = SematicEmbbedBlock(20, 12, 12)self.seb3 = SematicEmbbedBlock(12, 6, 6)self.heatmap = nn.Conv2d(6, 1, 1)def forward(self, x):x1 = self.conv1(x)x1 = self.bn1(x1)x1 = self.relu1(x1)m1 = self.maxpool1(x1)x2 = self.conv2(m1)x2 = self.bn2(x2)x2 = self.relu2(x2)m2 = self.maxpool2(x2)x3 = self.conv3(m2)x3 = self.bn3(x3)x3 = self.relu3(x3)m3 = self.maxpool3(x3)x4 = self.conv4(m3)x4 = self.bn4(x4)x4 = self.relu4(x4)up1 = self.seb1(x4, x3)up2 = self.seb2(up1, x2)up3 = self.seb3(up2, x1)out = self.heatmap(up3)return out

网络模型也是自己写的小网络，用了四个卷积层，三个池化层，然后进行了三次上采样。最终输出分辨率和输入分辨率相同。

3.3 训练过程

训练过程和基于回归的方法几乎一样，代码如下：

datasets = KeyPointDatasets(root_dir="./data", transforms=transforms_all)data_loader = DataLoader(datasets, shuffle=True,batch_size=bs, collate_fn=datasets.collect_fn)model = KeyPointModel()if torch.cuda.is_available():model = model.cuda()optimizer = torch.optim.Adam(model.parameters(), lr=3e-3)
criterion = torch.nn.MSELoss()  # compute_loss
scheduler = torch.optim.lr_scheduler.StepLR(optimizer,step_size=30,gamma=0.1)for epoch in range(total_epoch):train(model, epoch, data_loader, optimizer, criterion, scheduler)loss = test(model, epoch, data_loader, criterion)if epoch % 5 == 0:torch.save(model.state_dict(),"weights/epoch_%d_%.3f.pt" % (epoch, loss*10000))

用的是MSELoss进行监督，训练曲线如下：

3.4 测试过程

测试过程和CenterNet的推理过程一致，也用到了3x3的maxpooling来筛选极大值点

for iter, (image, label) in enumerate(dataloader):# print(image.shape)bs = image.shape[0]hm = model(image)hm = _nms(hm)hm = hm.detach().numpy()for i in range(bs):hm = hm[i]hm = np.maximum(hm, 0)hm = hm/np.max(hm)hm = normalization(hm)hm = np.uint8(255 * hm)hm = hm[0]# heatmap = torch.sigmoid(heatmap)# hm = cv2.cvtColor(hm, cv2.COLOR_RGB2BGR)hm = cv2.applyColorMap(hm, cv2.COLORMAP_JET)cv2.imwrite("./test_output/output_%d_%d.jpg" % (iter, i), hm)cv2.waitKey(0)

以上的nms和topk代码都在CenterNet系列最后一篇讲过了。这里直接对模型输出结果使用nms，然后进行可视化，结果如下：

上图中白色的点就是目标位置，为了更形象的查看结果，detect.py部分负责可视化。

3.5 可视化

可视化的问题经常遇见，比如CAM、Grad CAM等可视化特征图的时候就会碰到。以下是可视化的一个简单的方法（参考了CSDN的一位博主的方案，具体链接因太过久远找不到了）。

具体实现代码如下：

def normalization(data):_range = np.max(data) - np.min(data)return (data - np.min(data)) / _rangeheatmap = model(img_tensor_list)
heatmap = heatmap.squeeze().cpu()for i in range(bs):img_path = img_list[i]img = cv2.imread(img_path)img = cv2.resize(img, (480, 360))single_map = heatmap[i]hm = single_map.detach().numpy()hm = np.maximum(hm, 0)hm = hm/np.max(hm)hm = normalization(hm)hm = np.uint8(255 * hm)hm = cv2.applyColorMap(hm, cv2.COLORMAP_JET)hm = cv2.resize(hm, (480, 360))superimposed_img = hm * 0.2 + imgcoord_x, coord_y = landmark_coord[i]cv2.circle(superimposed_img, (int(coord_x), int(coord_y)), 2, (0, 0, 0), thickness=-1)cv2.imwrite("./output2/%s_out.jpg" % (img_name_list[i]), superimposed_img)

注意通过处理以后的hm和原图叠加的时候0.2只是一个参考值，这个值既不会影响原图显示又能将heatmap中重点关注的位置可视化出来。

结果如下：

可以看到，定位结果要比回归更准一些，图中黑色点是获取到最终坐标的位置，几乎和目标是重叠的状态，效果比较理想。

4. 总结

笔者做这个小项目初心是想搞清楚如何用关键点进行定位的，关键点被用在很多领域比如人脸关键点定位、车牌定位、人体姿态检测、目标检测等等领域。当时用小武的数据的时候，发现这个数据集的特点就是目标很小，比较适合用关键点来做。之后又开始陆陆续续看CenterNet源码，借鉴了其中很多代码，这才完成了这个小项目。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流，目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群（以后会逐渐细分），请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告，否则会请出群，谢谢理解~