Faster R-CNN是当前目标检测领域内性能最好的算法之一，它将RPN（Region Proposal Network）网络和Fast R-CNN网络结合到了一起，实现了一个端到端的目标检测框架。作者Shaoqing Ren在github上公开了源代码，可以很方便地在自己的机器上进行测试。本文记录的是Ubuntu14.04下配置和测试Faster R-CNN的过程，其中包括Caffe的安装和编译过程，针对的是Matlab和仅使用cpu的环境。
文章arXiv链接：
https://arxiv.org/abs/1506.01497
下载源代码
Matlab源码链接：
https://github.com/ShaoqingRen/faster_rcnn
Python实现源码：
https://github.com/rbgirshick/py-faster-rcnn
下载源码faster_rcnn-master.zip以及其中的caffe源码，解压至本地目录。
安装编译Caffe
1.安装依赖项[1]
- sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
- sudo apt-get install --no-install-recommends libboost-all-dev
- sudo apt-get install libatlas-base-dev
- sudo apt-get install the python-dev
- sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
- # glog
- wget https://google-glog.googlecode.com/files/glog-0.3.3.tar.gz
- tar zxvf glog-0.3.3.tar.gz
- cd glog-0.3.3
- ./configure
- make && make install
- # gflags
- wget https://github.com/schuhschuh/gflags/archive/master.zip
- unzip master.zip
- cd gflags-master
- mkdir build && cd build
- export CXXFLAGS="-fPIC" && cmake .. && make VERBOSE=1
- make && make install
- # lmdb
- git clone https://github.com/LMDB/lmdb
- cd lmdb/libraries/liblmdb
- make && make install
2.编译
Caffe可以采用Make或者CMake两种方式来编译，我使用的是Make，且编译之前需要根据个人情况修改caffe目录下的Makefile.config.example文件。具体需要修改的地方如下：
修改完成后，执行如下命令：
- cp Makefile.config.example Makefile.config
- make clean
- make all
- make test
- make runtest
- make matcaffe
之后在matlab/+caffe/private目录下将会生成caffe_.mex64文件，可以直接被Matlab调用。
3.测试示例[2]
在正式测试前，需要下载训练好的caffemodel文件[3]。有两种方式，直接在浏览器里输入地址下载，也可以运行脚本文件下载。我选择直接用浏览器下载，下载地址如下：
http://dl.caffe.berkeleyvision.org/bvlc_reference_caffenet.caffemodel
该模型文件243.9M，下载完成后将其拷贝到caffe根目录下的models/bvlc_reference_caffenet/文件夹中。
接着启动Matlab，切换到caffe的根目录，将caffe_.mex64的路径添加进来，便于加载。
- addpath('./matlab/+caffe/private');
- I = imread('../../examples/images/cat.jpg');
- [scores,maxlabel] = classification_demo(I,0);
- Elapsed time is 0.025054 seconds.
- Elapsed time is 1.069503 seconds.
- Cleared 0 solvers and 1 stand-alone nets
从图中可以看出，该图片被分到第282类的概率最高。至此，程序测试完成，说明Caffe安装配置成功。
配置运行Faster R-CNN
Faster R-CNN的配置和运行十分简单，启动Matlab，切换到faster_rcnn目录下。运行faster_rcnn_build.m，在仅使用cpu的情况下，Compiling nms_gpu_mex时会出错[4]。但是其他能够编译成功，这里不用担心。
- run faster_rcnn_build.m
- run startup.m
- run fetch_data/fetch_faster_rcnn_final_model.m
个人建议直接通过作者github主页上的链接来下载模型，地址在主页最后一行给出，选择其一下载。
3.Final RPN+FastRCNN models: OneDrive,DropBox,BaiduYun
模型较大，下载完成后直接将其解压至faster_rcnn根目录下。
在experiments目录下有测试文件，因为只使用cpu，运行前需要将其设置为不使用GPU。
experiments/script_faster_rcnn_demo.m
文件中的第3、4行需要注释掉，第9行的opts.use_gpu改为false。以下是修改后的代码，
- %% -------------------- CONFIG -------------------- opts.caffe_version = 'caffe_faster_rcnn'; % opts.gpu_id = auto_select_gpu;
- % active_caffe_mex(opts.gpu_id,opts.caffe_version);
-
- opts.per_nms_topN = 6000;
- opts.nms_overlap_thres = 0.7;
- opts.after_nms_topN = 300;
- opts.use_gpu = false;
-
- opts.test_scales = 600;
此外，由于VGG16模型较大，运行过程中会崩溃，因此将模型改为ZF，修改后如下：
- % model_dir = fullfile(pwd,'output','faster_rcnn_final','faster_rcnn_VOC0712_vgg_16layers'); %% VGG-16 model_dir = fullfile(pwd,'output','faster_rcnn_final','faster_rcnn_VOC0712_ZF'); %% ZF
至此，修改完毕。执行该程序，能够正常运行说明测试成功。我的处理器是Intel® Core™ i7-2600 cpu @ 3.40GHz × 8 ，输出如下信息：
- 001763.jpg (500x375): time 3.258s (resize+conv+proposal: 2.452s,nms+regionwise: 0.806s)
- 004545.jpg (500x375): time 4.073s (resize+conv+proposal: 2.543s,nms+regionwise: 1.530s)
- 000542.jpg (500x375): time 3.064s (resize+conv+proposal: 2.526s,nms+regionwise: 0.538s)
- 000456.jpg (500x375): time 3.757s (resize+conv+proposal: 2.497s,nms+regionwise: 1.259s)
- 001150.jpg (500x375): time 3.400s (resize+conv+proposal: 2.481s,nms+regionwise: 0.919s)
- mean time: 3.510s
- Cleared 0 solvers and 2 stand-alone nets
参考文献：
[1]http://caffe.berkeleyvision.org/install_apt.html
[2]http://www.aichengxu.com/view/2422137
[3]http://www.cnblogs.com/denny402/p/5111018.html
[4]http://blog.csdn.net/qq_30040223/article/details/48491997
