白話機器學習之人臉識別原理簡介篇

判斷兩張人臉圖片的相似度，學術上叫做人臉對比，實際上是一對一的關係。而人臉識別一般就是一對多的關係，即在多張圖片中找到哪兩個圖片中的是相同的人。

總的來說，人臉識別主要分為三個部分：人臉檢測，人臉校正和人臉識別。

常用的方法現在已經比較成熟了，主要分為基於統計的和基於深度學習的兩種方法。

基於深度學習的：

基於深度學習的主要就是卷積神經網路了，卷積神經網路的基本原理就是用卷積核作為一個滑動「窗口」在圖像矩陣上去滑動，將與卷積核相類似的特徵放大，然後再進行池化，池化的作用主要就是降低卷積層輸出特徵向量的規模，防止過擬合，然後再經過若干個卷積和池化層，最終利用SoftMax等整理後輸出結果。

大規模神經網路可以實現檢測，校正和識別三個部分，可以最終直接輸出人臉的特徵，好處就是識別率很高很高，缺點就是在CPU條件下運算速度會較慢。

基於統計的方法：

(1)人臉檢測:haar,HOG特徵，一般結合adaboost演算法以取得較好的運算效果

(2)人臉校正：由於人臉識別主要有用的是人臉的輪廓，其膚色，光照等等相比之下並不重要，而人臉校正主要是將不同姿態的人臉進行所謂的「擺正」，也稱之為人臉對齊，這樣使得輸出的人臉特徵具有可比性，這個基本原理是計算機圖形學中仿射變換。這部分現在一般用卷積神經網路處理得就比較好了。

(3)人臉識別：Haar,Hog,LBP演算法本身就是用來提取特徵的，一般對於人臉用LBP特徵比較合適，將特徵提取出來後可能還需要降維，一般結合PCA主成分分析的方法。也有用LDA演算法來處理的。

基於統計的方法好處是在CPU下運算較快，缺點是識別率相對較低，因為特徵都是人工首先指定好的，並不像深度學習那樣「自主」。

當特徵都提取出來之後，就可以計算特徵之間的差距了，這是最簡單的，距離計算的方法有：

餘弦距離，歐氏距離，馬氏距離，皮爾遜相關係數，對於某些特定的場景還可能是漢明距離~~~

所以，對於google開源的一款人臉識別引擎，就事採用了統計和深度學習結合的方法，使用基於統計的方法來定位人臉，使用深度學習來提取人臉特徵，這樣兼顧了速度和準確率。

值得一提的是，在人臉識別過程之前，有些方法往往還有一些預處理，一般是高斯低通濾波器，主要是用於濾出高斯雜訊，還有一些使圖像更為平滑的預處理。

開源庫：

開源的人臉識別庫也不少，國內比較著名的有中科院山世光教授組的SeetaFace引擎，但是該代碼在部署的時候會有些小坑，一般認為是人臉識別開源出來的一股清流。

除此之外，比較著名的還有FaceBook的DeepFace、Google的FaceNet、湯曉鷗教授的DeepID，以及github上的一系列開源產品(包括演算法)。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！