人脸识别入门（不涉及算法）_人脸识别程序编制过程中,不是算法和算力的调用的是

前言

1. 本文只针对通用的人脸识别原理及实现流程做介绍，不涉及具体算法实现

2. 主要是人脸识别入门及概念理解

正文

人脸识别，顾名思义就是使计算机能够从图像中预测人的身份。

1.面部识别与面部校验

两者背后的想法是一样的，只是应用领域不同。

面部校验是识别固定的一个人。例如，手机的面部解锁，只需要识别出用户就可以。这是1：1的比较。

面部识别系统，可以理解为在已知人的数据库中查找该人并试图预测该人是谁。这是一对多的比较。如果此人不在数据库中，则表示我们之前从未见过这个人。因此，您可以将它们添加到数据库中，或者只是说他/她是一个不知名的人。这可以用于监视，考勤系统等应用。

总之，

1. 面部校验：这是某某人吗？

2. 面部识别：这个人是谁？

2. 如何实现人脸识别

人类对面部的认知就是记忆每一个人的特别之处。

那么计算机是如何实现人脸识别，首先可能想到的是比较两张图片是否一致。但是这就存在一个很大的弊端，如果比较原始像素强度，光线，拍摄的角度等因素也足以破坏比较结果。 计算机需要更健壮的东西作为比较指标。

从人类视觉系统中汲取灵感，计算机视觉研究人员通过提取图像的特征，以有效地描述每个人脸的独特性。

最简单的特征一般是面部像素强度的均值和方差，高度比：面部宽度等。

人脸识别四大特征

1、几何特征：从面部点之间的距离和比率作为特征，识别速度快，内存要求比较小，对于光照敏感度降低。

2、基于模型特征：根据不同特征状态所具有概率不同而提取人脸图像特征。

3、基于统计特征：将人脸图像视为随机向量，并用统计方法辨别不同人脸特征模式，比较典型的有特征脸、独立成分分析、奇异值分解等。

4、基于神经网络特征：利用大量神经单元对人脸图像特征进行联想存储和记忆，根据不同神经单元状态的概率实现对人脸图像准确识别。

简而言之，将人脸抽象为可以反映人脸差异的特征值。

3.使用深度学习的现代人脸识别

随着深度学习的出现，这些人工特征已经退居次席，现在可以通过CNN为他们寻找合适的特征。 

我们需要学习一个能够区分不同人物面部的高维特征空间。一旦我们拥有这样的模型，我们就可以使用它为每个面部生成独特的特征。最后，我们可以比较新面孔的特征与已知面部的特征，以识别人物。

如果我们想要将新人添加到已知面的数据库中，我们只需生成这些功能并将其添加到数据库中。此过程称为“注册”。

3.1   训练人脸识别模型
如上所述，人脸识别系统中最重要的部分是生成训练模型，该模型可以区分两个不同人的面部。让我们更详细地了解训练过程，并讨论人脸识别中使用的各种术语。

生成面部表示或编码
卷积神经网络（CNN）是非常好的特征提取器[1]。它们查看图像的小部分并使用多层上的卷积来生成可靠的特征，以区分视觉上不同的对象。

第一步是从输入面部图像生成紧凑的面部表示。假设我们有一个CNN，它将面部图像作为输入，并产生一个长度为“n”数组作为输出。我们将此数组称为编码，因为现在只使用此数组对面进行编码。编码可以理解为提取的特征。

没有经过训练的模型，图像生成的编码是随机的，并不能区分每个人的差异，所以训练网络很重要。

训练模型的目的是学习一个很好的特征空间，其中绿点聚集在一起，彼此靠近并远离红点。

误差与迭代

为了理解任何事情，我们需要告诉网络它的表现如何，以便它可以在下一次迭代中做得更好。 因此，我们定义了一个损失度量，它作为网络指示它能够完成任务的能力。 这里需要注意的是，我们想要实现的目标非常重要：

1. 使同一个人的脸部编码更近
2. 推动不同人的脸部编码更远

经过训练，绿色点接近，远离红色点

该损失度量被正确地称为三元组损失，并且是用于面部识别的最广泛使用的损失度量之一。

因此，使用CNN作为特征提取器和三元组丢失作为损失度量，网络应该能够学习面部编码映射，其中同一人的面部聚集在一起并且不同人的面部被分离。

3.2   识别新的脸部图像

一旦网络被训练并且为训练图像生成嵌入，我们就可以安全地使用它来预测新面部的身份。

新的图像导入，提取特征（编码），靠近红色，为红色人。

从上图可以看出，对于新的人脸图像，我们使用模型进行人脸嵌入。接下来，我们需要计算此面嵌入与数据库中所有其他面嵌入的距离。预测的人将是嵌入最接近新面部嵌入的人。

用于该比较的最常见距离测量是L2距离，其简单地是n维空间中的2个点之间的欧氏距离。

在这个例子中，我们可以看到新面部图像生成的面部嵌入更接近属于Elon Musk的红点。因此，我们可以预测新面孔也是埃隆。

3.2A。如何改善预测时间？

除了将新嵌入与数据库中的每个嵌入进行比较之外，还有更好的推理方法。可以使用机器学习技术来训练使用这些面部嵌入作为输入的模型。让我们简要讨论两种这样的算法。

支持向量机
我们可以使用面向嵌入作为输入的SVM训练多类分类器。每个班级将对应一个不同的人。每当我们想要对新的面部嵌入进行分类时，我们只需将其与支持向量进行比较，并预测新面部所属的类。

这将在很大程度上降低计算成本，因为您不必将新嵌入与数百或数千个嵌入在数据库中进行比较。要了解有关SVM的更多信息，请参阅我们关于SVM的帖子。

k-最近邻（k-NN）
虽然SVM方法更快，但它有一个缺点。 SVM是一种参数化机器学习方法，这意味着如果将新人添加到数据库中，旧参数可能不起作用，因此，我们需要重新训练SVM模型。如果有非参数方法怎么办？ - 是的！ k-NN算法。

k-最近邻分类器是最简单的机器学习算法之一。它不会在推理时间执行距离的强力计算。对于每个新点，它只是比较k-最近邻居并采用多数投票方案来做出决定。

例如，考虑嵌入，如下所示。如果我们使用k = 5，则将蓝点（新嵌入）与其邻居进行比较，并且我们从其中的5个进行多数投票。其中3个邻居投票选举红色，2个投票选举绿色课程。因此，最终预测将是红色的！

                                          

                                                使用k-NN（k = 5）的多数投票预测新点为红色类

3.3。 注册一个新人
到目前为止，我们已经看到了如何使用面部数据库生成嵌入空间。 但是，如果我们想要向数据库中添加新人，会发生什么？ 我们需要再次训练模型吗？  - 没有。 这很简单。

我们可以使用相同的模型为新人创建嵌入。 由于模型已经过训练并且这是一个不同的人，因此生成的嵌入将远离数据库中其他人的嵌入。 我们只是相应地更新已知面部的数据库。

由于数据库现在已更新，我们可以采用与上述相同的方式进行预测。

 

更多详情请关注个人工作号：