TensorFlow框架做实时人脸识别小项目（三）

第二部分讲到了用facenet将人脸embedding为特征矩阵，这种特征已经具有了相同人对应的向量距离小，不同人对应的向量距离大的特点。接下来，一般的应用有以下几类：

（1）人脸验证（Face ID）。就是检测A,B两个人是否属于同一个人，需要计算两个向量之间的距离，设定合适的报警阈值（threshold）即可。这种应用在手机等电子设备上比较常见，例如现在的手机的人脸解锁功能。

（2）人脸识别（Face Recognition）。给定一张图片，检测数据库中与之最相似的人脸，这个应用相对是较多的。这个问题显然可以被转换为一个求距离最近邻的问题，最适合用Knn算法解决。

（3）人脸聚类（Face Clastering）。目的是在数据库中找出最相似的人脸。直接使用聚类算法对人脸特征进行聚类，例如KMeans等。

这里我们要进行的是人脸识别，就是上面所讲的第二类问题。在小项目里使用的就是Knn算法，这个算法简单快速，准确率还不错。当然这个也不是唯一的，也可以用其他的分类算法，比如SVM等。（但是经过我自己的实验，用SVM的效果并不理想，究竟是为啥原因还有待探讨）接下来说一下Knn在这里是怎样工作的。

knn，即K最近邻(k-NearestNeighbor)分类算法，见名思意：找到最近的k个邻居（样本），在前k个样本中选择频率最高的类别作为预测类别。它是一种有监督的学习算法。算法步骤如下： 

  1）算距离：给定未知对象，计算它与训练集中的每个对象的距离； 
  2）找近邻：圈定距离最近的k个训练对象，作为未知对象的近邻； 
  3）做分类：在这k个近邻中出线次数最多的类别就是测试对象的预测类别。

其中k值的取值很重要，下面借别人的例子来说明这个算法的工作原理。有下面这么一张图，要判断中间的绿点属于哪一类。

若k = 3，那么绿点会被判定属于红色三角；

若k = 5，那么三角会被判定属于蓝色矩形；