人脸识别——新的一个境界（无约束）

好久没有和大家分享学习的推送，最近很多朋友一直在问我人脸识别到底怎么去识别？人脸为啥会分约束和非约束？人脸检测后可以做哪些工作？等等的一些列问题，其实我们之前很多推送都有详细解答这些问题，今天，就顺便把非约束人脸识别和大家好好说一说，希望有兴趣的您可以有所收获，谢谢！

现在是一个大数据时代，我们身边无处不是大数据，比如：

来源： www.expandedramblings.com, www.emarketer.com

其实，在人脸识别中主要的目的就是找到一个表达或者相似性度量，如：

• Intra-subject similarity is high；

• Inter-subject similarity is low。

这也是我之前一直和大家强调的，类内相似性高，类间相似性低。

就如上图所示，同一类的人脸，其特征特别相似，不在同一个聚类簇中的人脸，其特征差别较大，这样对人脸识别有较大的提高。

---

来看看人脸识别的里程碑：

约束 VS. 无约束

在无约束人脸识别中的一些挑战：

例举一个案例：（A case study of automated face recognition: the Boston Marathon bombing suspects, J.C. Klontz and A.K. Jain, IEEE Computer, 2013）

Gallery images：1百万张照片+6个Web图像

Probe images：5个人脸

Ranking results：

---

无约束人脸时代已经来临

The Labeled Faces in the Wild (LFW)

Labeled faces in the wild: A database for studying face recognition in unconstrained environments, Huang, Jain, LearnedMiller, ECCVW, 2008

LFW一共13233图片，共5749位人。

Human-level performance

Attribute and simile classifiers for face verification, Kumar, et al., ICCV 2009

通过实验证明了，人脸验证的时候，人脸额外的信息是多余的。

LFW数据集上进些年的实验结果变化如下图所示：

---

混合深度学习

Hybrid deep learning for computing face similarities, Sun, Wang, Tang, ICCV 2013

12X5 Siamese ConvNets X8 + RBM classification

一般人脸识别的简单过程如下：

以上都是1:1的验证识别，接下来可以看看1对多的案例。

人脸是一个3D目标：（可以通过这样的方式对无约束人脸重建）

如下就是1对多的简单介绍：

实验可视化：

本文参考于Yaniv Taigman的内容，谢谢！