新的文件说明

DCNN/README.txt

@@ -16,7 +16,22 @@ database数据集说明：
 阶段2中，模型的输入，是每个坐标点周围的一个方形区域【24*24】，每个区域输出，离该点最近的K个点坐标；（后期实现使用的是K=1），论文中证明K=3时，效果最好；
 3.模型的评价指标【主要是计算预测坐标与真实坐标的均方根误差，并与两眼瞳孔之间的距离比】
 
-阶段1 和 阶段2 的模型实现，参考 DCNN_stage1.py 和 DCNN_stage2.py
+4.阶段1 和 阶段2 的模型实现，参考 DCNN_stage1.py 和 DCNN_stage2.py
 
+5.关于数据的预处理和最终在测试的时候，都是使用了人脸检测模型，这边使用的人脸检测模型是基于resnet_ssd的caffe model，具体的链接：
+https://github.com/JWSunny/Facial_Expression_Recognition/tree/master/expressions_base_landmarks；
 
+6.数据的预处理：由于网络的输入尺寸的是固定的，所以需要对人脸进行检测，同时保证所有的人脸关键点在人脸框中，并通过仿射变换操作转换到
+固定的输入图片大小；
 
+
+移动端移植说明：
+1.移动端移植的宗旨肯定是希望在保证精度的情况下，尽量缩小模型的大小；在移动端移植的过程中，使用的是级联模型的第一阶段的网络；原始论文
+中其实有说阶段1的粗定位其实已经能满足一般场景的人脸关键点定位操作；
+
+2.同时为了进一步缩小及加速模型，使用mobilenet的模型结构，重新设计定位模型，最终将之前阶段1的模型从28M缩小到7.7M；
+（该模型在PC端结合人脸检测模型，能实现实时的人脸关键点定位，在移动端不进行任何优化的场景下，华为畅享8人脸检测+定位300ms左右，红米note5上100-200ms）
+
+3.这边未进行最终模型的分享，主要分享自己在实现过程中的训练代码；以及如何将keras模型文件转换成tensorflow模型的pb文件；
+其实pb文件可以进一步量化成tflite文件，模型文件能进一步压缩，但是时间推理上，因为之前的tflite文件的优化理论上可以优化时间，但是像
+基于mobilenet这种轻量级设计的网络，优化的推理时间有限；（具体实现请参考：DCNN_Mobilenet.py）