人脸识别总体介绍

四个概念

1. 人脸检测（detection）

在opencv中早就有直接能拿来用的haar分类器，基于Viola-Jones算法，现在看Haar + Adaboost肯定是老掉牙的技术，准确率是个渣。MSRA（微软亚洲研究院）在14年的最新技术——Joint Cascade Face Detection and Alignment（ECCV14)，这篇文章直接在30ms的时间里把detection和alignment都给做了，PR曲线彪到很高，时效性高，内存占用却非常低，在一些库上虐了Face++和Google Picasa。

2. 人脸校准（alignment）

就是找特征点，如下图：

图中红色框框就是在做detection，白色点点就是在做alignment。知道了特征点的位置后，做一下位置驱动的变形，脸就成正的了。

3. 人脸确认（verification）

基于pair matching的方式，回答“是”或者“不是”的问题。给定一张测试图片，然后挨个进行pair matching，matching上了则说明测试图像与该张图像为同一个人的人脸。

一般在小型办公室人脸刷脸打卡系统中采用的（应该）是这种方法，具体操作方法大致是这样一个流程：

离线逐个录入员工的人脸照片（一个员工录入的人脸一般不止一张），员工在刷脸打卡的时候相机捕获到图像后，通过前面所讲的先进行人脸检测，然后进行人脸校正，再进行人脸校验，一旦matching结果为“是”，说明该名刷脸的人员是属于本办公室的，人脸校验到这一步就完成了。在离线录入员工人脸的时候，我们可以将人脸与人名对应，这样一旦在人脸校验成功后，就可以知道这个人是谁了。

这种系统优点是开发费用低廉，适合小型办公场所，缺点是在捕获时不能有遮挡，而且还要求人脸姿态比较正。

4. 人脸识别（identifycation / recognition）

人脸识别正如下图所示的，它要回答的是“我是谁？”，相比于人脸校验采用的pair matching，它在识别阶段更多的是采用分类的手段。它实际上是对进行了前面两步即人脸检测、人脸校正后做的图像（人脸）分类。

流程

根据上面四个概念的介绍，我们可以了解到人脸识别主要包括三个大的、独立性强的模块：

细分的话，如下图：

人脸识别分类

现在随着人脸识别技术的发展，人脸识别技术主要分为了三类：

1. 基于图像的识别方法
2. 基于视频的识别方法
3. 三维人脸识别方法

基于图像的识别方法：
这个过程是一个静态的图像识别过程，主要利用图像处理。主要的算法有PCA、EP、kernel method、 Bayesian Framwork、SVM 、HMM、Adaboot等等算法。但在2014年，人脸识别利用Deep learning 技术取得了重大突破，为代表的有deepface的97.25%、face++的97.27%，但是deep face的训练集是400w集的，而同时香港中文大学汤晓鸥的Gussian face的训练集为2w。

基于视频的实时识别方法：
这个过程可以看出人脸识别的追踪过程，不仅仅要求在视频中找到人脸的位置和大小，还需要确定帧间不同人脸的对应关系。