戴口罩人脸数据集和戴口罩人脸生成方法
目录
戴口罩人脸数据集和戴口罩人脸生成方法
1.戴口罩人脸数据集
（1）开源数据集-戴口罩人脸数据集
（2）生成戴口罩人脸的数据集
2.戴口罩人脸生成方法
（1）生成戴口罩人脸思路
（2）口罩模板
（3）戴口罩人脸生成Demo
（4）生成戴口罩人脸效果展示
3. 生成戴口罩数据集和源码下载
4. 戴口罩人脸检测和戴口罩识别(含Python Android源码)
目前网上已经开源了很多免费的人脸识别/人脸检测数据集，比如常见的LFW，FDDB，WIDER FACE，300W等，估计加起来都有好几个忆了。但这些人脸数据绝大部分都是不戴口罩的人脸，不能直接用于戴口罩识别中。网上也有少许开源的戴口罩人脸数据集，鄙人花了点时间，整理一下目前常见的戴口罩人脸数据集，以及戴口罩人脸数据的合成/生成方法。
- 包含5个数据集： facemask-train1， facemask-train2，facemask-train3， synthetic-train1，synthetic-train2 ，facemask-test ，总共约有50000+的数据：
- 生成戴口罩人脸代码： python create_facemask.py
项目数据和生成戴口罩人脸源码下载地址：戴口罩人脸数据集和生成戴口罩人脸数据
1.戴口罩人脸数据集
（1）开源数据集-戴口罩人脸数据集
一些开源的，免费的戴口罩人脸数据集，download下来，发现这些开源的数据比较脏，有挺多也是标注错误的，需求自己清洗一下哦~
（2）生成戴口罩人脸的数据集
网上绝大部分人脸数据都是不戴口罩的人脸，不能直接用于戴口罩识别中。鉴于此，我们可以考虑自己合成/生成戴口罩的人脸数据，以下是鄙人收藏和整理的戴口罩人脸数据集和合成的数据集，总共约有50000+的数据：
数据集
| 说明
|
facemask-train1
| - 从网上收集的戴口罩人脸数据集(如virus-mask-dataset)，约7000+张图片，并清洗了部分标注错误的样本
- 每张图片都被标注了mask(戴口罩)和nomask(未佩戴口罩)的检测框
- 标注格式为标准的VOC xml格式，可用于人脸检测训练数据使用
- 已经裁剪了人脸区域，并清洗了部分标注错误的样本；其中mask(戴口罩)人脸有3000+张，nomask(未佩戴口罩)人脸有10000+张，可作为分类训练数据集，
|
facemask-train2
| - 从网上收集的戴口罩人脸数据集，约3500+张图片，
- 每张图片都被标注了mask(戴口罩)和nomask(未佩戴口罩)的检测框
- 标注格式为标准的VOC格式，但标注的人脸框比较大，不建议用于人脸检测训练数据使用
- 已经裁剪了人脸区域图像，并清洗了部分标注错误的样本；其中mask(戴口罩)人脸有2000+张，nomask(未佩戴口罩)人脸有6000+张，可作为分类训练数据集
|
facemask-train3
| - 从网上收集的戴口罩人脸数据集，其中mask(戴口罩)人脸有600+张，nomask(未佩戴口罩)人脸有1700+张，可作为分类训练数据集
- 原始图片都被裁剪为人脸图像了，所以不合适用于人脸检测；可作为分类训练数据集
|
synthetic-train1 | - 这是合成的戴口罩人脸数据
- 其中mask(戴口罩)人脸有7000+张，nomask(未佩戴口罩)人脸有7000+张，可作为分类训练数据集
|
synthetic-train2 | - 这是合成的戴口罩人脸数据
- 其中mask(戴口罩)人脸有6000+张，nomask(未佩戴口罩)人脸有6000+张，可作为分类训练数据集
|
facemask-test
| - 这是戴口罩人脸测试集
- 其中mask(戴口罩)人脸有300+张，nomask(未佩戴口罩)人脸有300+张，用于分类模型测试
|
2.戴口罩人脸生成方法
（1）生成戴口罩人脸思路
- 首先进行人脸检测和人脸关键点检测
- 根据人脸关键点，计算脸颊的宽度和鼻梁位置等位置信息，同理，需要计算出口罩模板的大小、方向和位置；
- 最后把口罩模板贴在人脸位置上，等到合成的戴口罩人脸图片
一些戴口罩生成代码参考：
GitHub - sevenHsu/FaceMask_CelebA: Simulated masked face with dataset CelebA
给人脸戴上口罩，Python实战项目来了_我爱Python数据挖掘的博客
我测试了目前网上的生成戴口罩代码，对于已经矫正的人脸，生成效果还是不错的，但如果原始人脸本身就是倾斜(歪头)，这时直接使用原始代码，合成的效果就很差了，在此基础上，我做了优化工作：
- 增加了口罩模板，共有29种不同类型的口罩模板，提供合成口罩数据的多样性
- 优化了口罩倾斜角度，使得人脸倾斜(歪头)时，合成的效果也不错
- 优化了人脸检测，采用轻量化人脸检测，加速生成速度
原始图片
| 原始代码生成戴口罩
| 优化后生成戴口罩
|
| 
| 
|
对于已经矫正的人脸，生成效果还是不错的，但如果原始人脸本身就是倾斜(歪头)，这时直接使用原始代码，合成的效果就很差了
|
（2）口罩模板
口罩模板即口罩Mask图像（PNG格式），可以通过Photoshop抠图的方式，把背景去除；目前已经提供了共有29种不同类型的口罩模板，保证了口罩数据的多样性。
（3）戴口罩人脸生成Demo
安装好python相关依赖包
pybaseutils
opencv-python==4.5.1.48
face_recognition
tqdm
torch
torchvision
代码已经自带了测试图片和数据，你也可以更换成自己的人脸数据集：
python create_facemask.py
# -*-coding: utf-8 -*-
"""
@Author : panjq
@Date : 2022-06-25 22:23:11
@Brief : 生成戴口罩人脸数据集
"""
import os
import sys
sys.path.insert(0, os.getcwd())
sys.path.insert(0, "libs")
from tqdm import tqdm
from facemask.wearmask import FaceMaskCreator
from pybaseutils import file_utils, image_utils
class FaceMaskDemo(object):
def __init__(self):
self.mask_creator = FaceMaskCreator(detect_face=True, alignment=False)
def create_wear_mask_faces(self, image_dir, out_dir=None, vis=True):
"""
生成戴口罩人脸数据集
:param image_dir: 人脸图片目录
:param out_dir: 生成戴口罩人脸输出目录
:param vis: 是否可视化效果
:return:
"""
image_list = file_utils.get_files_lists(image_dir)
for image_path in tqdm(image_list):
image_id = os.path.basename(image_path).split(".")[0]
image = image_utils.read_image(image_path, size=(512, None), use_rgb=True)
mask, face_rects = self.mask_creator.create_masks(image, mask_type="random", vis=vis)
if out_dir:
self.mask_creator.save_image(image, mask, face_rects, out_dir, image_id)
if __name__ == '__main__':
image_dir = "./facemask/test_image" # 人脸图片
out_dir = "./output" # 生成戴口罩人脸输出目录
fm = FaceMaskDemo()
fm.create_wear_mask_faces(image_dir, out_dir, vis=True)
（4）生成戴口罩人脸效果展示
3. 生成戴口罩数据集和源码下载
下载地址包含内容有：
https://mp.weixin.qq.com/s/4dtC9CeP50M-3nn3xel1Ow
- 包含5个数据集： facemask-train1， facemask-train2，facemask-train3， synthetic-train1，synthetic-train2 ，facemask-test ，总共约有50000+的数据：
- 生成戴口罩人脸代码： python create_facemask.py
4. 戴口罩人脸检测和戴口罩识别(含Python Android源码)
