人脸识别特征提取的三种方法-HoG、Dlib、卷积神经网络特征_人脸特征提取

人脸图像特征提取的各种方法（包括HoG、Dlib和卷积神经网络特征）

1. HOG提取人脸图像特征

用于行人检测的 HOG 特征描述子，是基于 64×128 大小的图像。但图像可能是任何尺寸的，对于这些之后用于分析的图像，唯一需要进行的处理是调整纵横比图像大小。例如需要调整纵横比为1：2，图像可以被调整为 100×200, 128×256, 或者 1000×2000，比如原始图像大小是 720×475，我们截切出来 100×200 大小图像用来计算 HOG 特征描述子，然后重新调整大小到 64×128。
为了计算 HOG 特征描述子，需要计算水平和垂直方向的梯度。我们可以通过下面的核来处理图像，很容易计算出梯度的直方图。然后计算梯度的幅值和方向，在OpenCv 中，可以使用 cartToPolar 函数来计算该数值。在图中， x 方向的梯度代表垂直方向的变化趋势，而 y 方向代表的是水平方向的变化；如果图像像素变换迅速的话，在梯度图中可以明显看出，而当区域内变化缓慢时，则不会出现梯度幅值；梯度图像去除了很多不必要的信息，保留了关键信息。也就是说，你可以看着梯度图，然后轻松的辨别出来照片里的人。每一个像素点，都有一个幅值和方向；对于彩色的图像，三种通道的梯度都会被评估计算，取的是最大的梯度。
接下来，会将图像分割成88大小的格子，分别计算梯度直方图。一个 88 的子图像包含 883 = 192 个像素值。每个像素梯度有两个值（幅值和方向），所以每个子图像会有 882=128 个数值。

中间图片用箭头来代表颜色和梯度的变化；右边图片用数字来代表子图像中的梯度。中间的图通过箭头来表示图像中梯度的变化，箭头的方向表示着像素强度变化的方向，幅值表示变化的缓慢；通过右边的图，我们可以看到 88 子图像中提取出来的代表梯度的数值，这些角度从 0~180 度，这些被称之为无符号梯度，因为一个梯度和它取负之后得到的是同样的数值。然后根据梯度的方向来选择使用填充到哪一位，然后根据梯度的幅值来填充数值。88 子图像提取出来的数值，经过处理，可以得到一个 9 位的直方图。
最后，归一化直方图，让其不受亮度的影响。使用16*16的块来进行归一化。

2 . dlib 提取人脸图像特征

得到模型经过训练得到68个特征数据，将其写入.csv文件。计算特征数据集的欧氏距离做对比。
One Millisecond Face Alignment with an Ensemble of Regression Trees算法（以下简称GBDT）是一种基于回归树的人脸对齐算法，这种方法通过建立一个级联的残差回归树（GBDT）来使人脸形状从当前形状一步一步回归到真实形状。每一个GBDT的每一个叶子节点上都存储着一个残差回归量，当输入落到一个节点上时，就将残差加到改输入上，起到回归的目的，最终将所有残差叠加在一起，就完成了人脸对齐的目的。
基本概念：人脸识别按顺序可以大体上分为四个部分，即人脸检测,人脸对齐，人脸校验和人脸识别。 人脸检测就是在一张图片中找到人脸所处的位置，即将人脸圈出来，比如拍照时数码相机自动画出人脸。人脸对齐就是在已经检测到的人脸的基础上，自动找到人脸上的眼睛鼻子嘴和脸轮廓等标志性特征位置。人脸校验就是判断两张脸是不是同一个人。人脸识别就是给定一张脸，判断这张脸是谁。
提取特征点主要就是人脸对齐。 其中几个关键词： 形状：形状就是人脸上的有特征的位置，如下图所示，每张图中所有黄点构成的图形就是该人脸的形状。 特征点：形状由特征点组成，图中的每一个黄点就是一个特征点。人脸对齐的最终目的就是在已知的人脸方框（一般由人脸检测确定人脸的位置）上定位其准确地形状。人脸对齐的算法主要分为两大类：基于优化的方法和基于回归的方法。 本文的方法属于基于回归的方法。
从“树”的概念开始。树的思想在机器学习算法中很常见，常用的决策树、二叉树等，以及由树构成的随机森林等算法，都在各种领域被广泛使用。树不仅多种多样，其应用也绝不仅仅局限于分类，例如本文就将树的思想应用在回归的领域，非常流行的CART分类回归树也是其中一种，甚至还有采用树的结构来提取特征的方法（3000FPS）。
如果大家理解随机森林，那么对本文的GBDT可能会更好理解一点。简单来说随机森林就是将很多棵决策树联合在一起，其中每一棵树的训练采用的是随机数量的样本和随机的特征，其实也是集成学习的思想的表现之一。而本文的GBDT，相比与随机森林，其实本质上差别不是很大，主要差别在于：
1）每一棵树之间的关系是串行的，并非是并行的关系，也就是说后一棵树的建立在前一棵树的基础之上。
2）每一棵树的叶子节点上存的是残差，这也是GBDT的特点之一，也只有通过叶子节点上保存的残差，才能使形状不断地回归，从而回归到真实形状。
假设我们要开始构建一棵GBDT，注意，这里的一棵GBDT（不是指一棵树）的概念是指很多棵树，很多棵树构成一个GBDT，所以说GBDT的地位类似与随机森林，都是由树集成构成的。
构建一棵GBDT要实现的目的是：通过这棵树，将人脸的初始形状回归到其真实形状上去。假设我们一共有N幅图像，将它们作为训练集，我们知道这N幅图像的每一个真实形状。首先我们要获得一个回归的初始形状，假设我们用所有图像的平均形状来作为这个初始形状（初始形状就是回归的起点，之后在测试时无论给出怎样一幅图像，我们都通过这个初始形状来进行预测和回归）。
现在开始构建GBDT的第一棵树。
有了初始形状，这里就会发现一个问题，假如使用平均形状来作为每一幅图像的初始形状，那么对所有图像来说，初始输入都是相同的，这如何分裂树呢？是的，对所有图像来说，初始形状相同，但我们分裂树时，采用的输入并非是当前形状，而是依据当前形状从该图片中提取出的特征。对于每一幅图像来说，初始形状虽然相同，但每一幅图片都不同，因此提取出的特征也就不同，论文中是使用的像素差作为特征，下一节会详细讲这种特征的提取方式。我们依据特征来进行节点的分裂操作，直至到达树的叶子节点。
当我们把N张图片都输入第一棵树，自然每一张图片最终都会落入其中的一个叶子节点，比如第1张图片落入了第3个叶子节点，第2张图片落入了第1个叶子节点，第3张图片落入了第三个叶子节点等等。这样，每一个叶子节点中都会有图片落入，当然也可能没有，这并不重要。这时，我们就要计算残差，计算每一个图片的当前形状和真实形状的差值，之后，在同一个叶子节点中的所有图片的差值作平均，就是该叶子节点应当保存的残差。当所有叶子节点都保存了残差后，第一棵树也就构造完毕了。
在构造第二棵树之前，我们要把每张图片的当前形状做一个更新，也就是要将当前形状更新成：当前形状+残差。对应到第一棵树，即是初始形状加上残差，这样每一张图片的当前形状就从初始形状变成了初始形状加残差，距离真实形状又更近了一步。之后再用同样的方法构建第二棵树，依据特征进行节点分裂，直到叶子节点。在叶子节点中计算每一张图片当前形状和真实形状的差，然后取平均，将这个平均值保存在该叶子节点中，作为残差。之后更新每一张图片的当前形状，即将叶子节点中保存的残差加上其当前形状，作为新的当前形状，然后就可以建立第三棵树了。直至建立的树足够多，可以最后的当前形状表示真实形状，那么这一个GBDT也就建立完成了。

3.卷积神经网络提取人脸图像特征

简言之，可以理解为将输入的人脸图像，转换成一个向量的表示。
具体来说：
如果一个图片是256色的，那么图像的每一个像素点，都是0到255中间的一个值，这样可以把一张图像转换成一个矩阵。如何去识别这个矩阵中的模式？用一个相对来讲很小的矩阵在这个大的矩阵中从左到右，从上到下扫一遍，每一个小矩阵区块内，你可以统计0到255每种颜色出现的次数，以此来表达这一个区块的特征。通过这一次“扫描”，得到了另一个由很多小矩阵区块特征组成的矩阵。这一个矩阵比原始的矩阵要小一些。然后对这个小一点的矩阵，再进行一次上面的步骤，进行一次特征“浓缩”。也就是把它抽象化。最后经过很多次的抽象化，你会将原始的矩阵变成一个 1 维乘 1 维的矩阵，这就是一个数字。而不同的图片，比如一个猫、一个狗或者一个熊，它们最后得到的这个数字会不同。于是你把一个猫、一个狗、一个熊都抽象成了一个数字，比如 0.34， 0.75， 0.23，这就达到让计算机来直接辨别的目的了。人脸，表情，年龄，这些原理都是类似的，只是初始的样本数量会很大，最终都是通过矩阵将具体的图像抽象成了数字，因为计算机只认识数字。但是抽象的函数，会有所不同，达到的效果也会不同。

参考：《One Millisecond Face Alignment with an Ensemble of Regression Trees 》 Vahid Kazemi ，Josephine Sullivan
https://blog.csdn.net/jiajinrang93/article/details/72297975