PNet需要的box准备

使用WIDER_train作为数据集产生PNet需要的box，具体流程如下：

• 生成负的box（negative box）

  1. 随机画框，如果画的框与Ground Truth的IOU小于0.3判断为负的box

  具体随机画框的方式是：

    a. 设置框的尺度，从12pix到min(width,hegiht)/2随机
     
    b. 设置左上角坐标，x在（0，width-框的尺寸）范围内随机，y在（0，height-框的尺寸）范围内随机
  
    c. 有了左上和框的尺寸自然可以得到完整框
  

  2. 回归框偏移，解释一下就是在Ground Truth的周围画框，确保与GT有IOU，但是又小于0.3

     具体的方法是：

     a. 设置框的尺寸，从12pix到min(width,hegiht)/2随机

     b. 随机设置偏移量

     c. 根据偏移量设置左上角位置

     d. 使用偏移量可以保证有交集

     e. 如果IOU大于0.3不要

  3. 需要2的原因是如果只用1方法画框，可能很多框与GT的IOU为0，这不利于PNet训练

  4. 将所有生成的框resize到12*12

  5. 偏移框

 偏移量的计算

`offset_x1 = (gx1 - x1) / float(x2-x1)

 offset_y1 = (gy1 - y1) / float(y2-y1)

 offset_x2 = (gx2 - x2) / float(x2-x1)

 offset_y2 = (gy2 - y2) / float(y2-y1)`

• 生成正的box（positive box）

  1. 回归框偏移，确保与GT的IOU大于0.65

  2. 记录偏移量，偏移量表示GT与生成框之间的偏移，绝对值越小说明和GT越相近

• 生成忽略的box（Part Face）

  1. part face与GT的IOU在0.4到0.65之间

  2. 记录偏移量

• 结果 GT的框

红框表示negative box中1方法生成的

粉红框表示negative box中2方法生成的

黄色框表示part face

绿色框表示positive box