白话机器学习之人脸识别原理简介篇

判断两张人脸图片的相似度，学术上叫做人脸对比，实际上是一对一的关系。而人脸识别一般就是一对多的关系，即在多张图片中找到哪两个图片中的是相同的人。

总的来说，人脸识别主要分为三个部分：人脸检测，人脸校正和人脸识别。

常用的方法现在已经比较成熟了，主要分为基于统计的和基于深度学习的两种方法。

基于深度学习的：

基于深度学习的主要就是卷积神经网络了，卷积神经网络的基本原理就是用卷积核作为一个滑动“窗口”在图像矩阵上去滑动，将与卷积核相类似的特征放大，然后再进行池化，池化的作用主要就是降低卷积层输出特征向量的规模，防止过拟合，然后再经过若干个卷积和池化层，最终利用SoftMax等整理后输出结果。

大规模神经网络可以实现检测，校正和识别三个部分，可以最终直接输出人脸的特征，好处就是识别率很高很高，缺点就是在CPU条件下运算速度会较慢。

基于统计的方法：

(1)人脸检测:haar,HOG特征，一般结合adaboost算法以取得较好的运算效果

(2)人脸校正：由于人脸识别主要有用的是人脸的轮廓，其肤色，光照等等相比之下并不重要，而人脸校正主要是将不同姿态的人脸进行所谓的“摆正”，也称之为人脸对齐，这样使得输出的人脸特征具有可比性，这个基本原理是计算机图形学中仿射变换。这部分现在一般用卷积神经网络处理得就比较好了。

(3)人脸识别：Haar,Hog,LBP算法本身就是用来提取特征的，一般对于人脸用LBP特征比较合适，将特征提取出来后可能还需要降维，一般结合PCA主成分分析的方法。也有用LDA算法来处理的。

基于统计的方法好处是在CPU下运算较快，缺点是识别率相对较低，因为特征都是人工首先指定好的，并不像深度学习那样“自主”。

当特征都提取出来之后，就可以计算特征之间的差距了，这是最简单的，距离计算的方法有：

余弦距离，欧氏距离，马氏距离，皮尔逊相关系数，对于某些特定的场景还可能是汉明距离~~~

所以，对于google开源的一款人脸识别引擎，就事采用了统计和深度学习结合的方法，使用基于统计的方法来定位人脸，使用深度学习来提取人脸特征，这样兼顾了速度和准确率。

值得一提的是，在人脸识别过程之前，有些方法往往还有一些预处理，一般是高斯低通滤波器，主要是用于滤出高斯噪声，还有一些使图像更为平滑的预处理。

开源库：

开源的人脸识别库也不少，国内比较著名的有中科院山世光教授组的SeetaFace引擎，但是该代码在部署的时候会有些小坑，一般认为是人脸识别开源出来的一股清流。

除此之外，比较著名的还有FaceBook的DeepFace、Google的FaceNet、汤晓鸥教授的DeepID，以及github上的一系列开源产品(包括算法)。