基于caffe的mtcnn训练实现，非常容易非常简单，并且有配套的纯c++版本的mtcnn-light
该算法证实可以被用来做其他目标检测，效果非常好，效率也非常高
caffemodel文件转换为mtcnn-light支持的.h头文件类型的模型，可以直接丢进去替换编译就行了
改进版本的mtcnn-light，配合训练程序，和转换程序，实现一整套的流程到最后部署
训练过程所使用的程序和脚本
一个caffe实现的简单，稳定有效的mtcnn版本
1.基础问题
a.样本问题，mtcnn训练时，会把训练的原图样本，通过目标所在区域进行裁剪，得到三类训练样本，即：正样本、负样本、部分(part)样本
其中：
裁剪方式：对目标区域，做平移、缩放等变换得到裁剪区域
IoU：目标区域和裁剪区域的重合度
此时三类样本如下定义：
正样本：IoU >= 0.65，标签为1
负样本：IoU < 0.3，标签为0
部分(part)样本：0.65 > IoU >= 0.4，标签为-1
b.网络问题，mtcnn分为三个小网络，分别是PNet、RNet、ONet，新版多了一个关键点回归的Net（这个不谈）。
PNet：12 x 12，负责粗选得到候选框，功能有：分类、回归
RNet：24 x 24，负责筛选PNet的粗筛结果，并微调box使得更加准确和过滤虚警，功能有：分类、回归
ONet：48 x 48，负责最后的筛选判定，并微调box，回归得到keypoint的位置，功能有：分类、回归、关键点
c.网络大小的问题，训练时输入图像大小为网络指定的大小，例如12 x 12，而因为PNet没有全连接层，是全卷积的网络，所以预测识别的时候是没有尺寸要求的，那么PNet可以对任意输入尺寸进行预测得到k个boundingbox和置信度，通过阈值过滤即可完成候选框提取过程，而该网络因为结构小，所以效率非常高。
2.训练步骤
参考：https://github.com/dlunion/mtcnn/tree/master/train
一般训练几万次后，loss到0.0x的时候就可以接受了
记得在当前目录下创建models-12、models-24、models-48来迎接喜气招财哟~
3.使用阶段
将训练的caffemodel，复制到caffemodel_2_mtcnnmodel里面，编译执行他（代码写的必须3个网络同时存在，所以自己看情况改下），这时候产生的mtcnn_models.h，就是我们要的网络头文件，添加到mtcnn-light覆盖下就可以执行看效果了
https://github.com/kpzhang93/MTCNN_face_detection_alignment
https://github.com/Seanlinx/mtcnn
https://github.com/CongWeilin/mtcnn-caffe
https://github.com/AlphaQi/MTCNN-light
https://github.com/dlunion/CCDL
该mtcnn项目的计算方法，和mtcnn-light、和官方的mtcnn计算方法有区别，所以不能被通用，当然如果你修改下也是很容易就跟原版一样了，只是我修改的版本更加容易理解吧