基于开源模型搭建实时人脸识别系统（七）：人脸比对

续 基于开源模型搭建实时人脸识别系统（六）：人脸识别（人脸特征提取）_CodingInCV的博客-CSDN博客

经过人脸识别后，人脸就由图像变成了一个特征向量，衡量人脸之间的相似度也就转化成了人脸特征向量之间的相似度。

向量距离

向量的距离有多种计算方式，比较常见的是欧式距离、曼哈顿距离和余弦距离。人脸识别中主要使用欧式和余弦距离

欧式距离

欧式距离可以简单的理解为高维空间中2点之间的直线距离。
$$\sqrt{\sum (x_i-yi{)}^2}$$

余弦距离

余弦距离指的是向量空间中两个向量间的夹角的余弦值，又称作余弦相似度
$$cos\theta =\frac{\overrightarrow{x}\bullet \overrightarrow{y}}{|x|\ast |y|}$$
对于归一化的向量，$$cos\theta =\overrightarrow{x}\bullet \overrightarrow{y}$$
直接就等于向量的点积，并且和欧式距离是等价的。

人脸识别中的距离

目前，人脸识别训练时都会将特征进行归一化后再计算loss, 因此在识别时也都会将特征进行归一化后再使用，所以余弦距离更适合当前的人脸识别。另一方面，余弦距离的值域为-1到1，用来衡量相似程度也比较直观。

大规模向量检索与近似检索

人脸的底库根据应用规模从几百到上亿，对于规模较大的底库，直接按1:1的方式去遍历计算是比较低效的，实用上会使用矩阵运算的方式批量按1:N或M:N计算。各个平台上都有相应的库来进行矩阵运算。arm上有openblas, x86 cpu上有openblas或者MKL, 英伟达gpu上有cublas。除了这些底层的矩阵运算库之外，还有功能更强大的库和工具，这些工具不仅进行了矩阵运算，还将底库的增删、近似检索等功能都进行了封装，使用比较广泛的有faiss、Milvus等。相对而言，milvus功能更强大也更复杂。

facebookresearch/faiss: A library for efficient similarity search and clustering of dense vectors. (github.com)
milvus-io/milvus: A cloud-native vector database, storage for next generation AI applications (github.com)
microsoft/SPTAG: A distributed approximate nearest neighborhood search (ANN) library which provides a high quality vector index build, search and distributed online serving toolkits for large scale vector search scenario. (github.com)

近似检索

除了使用精确检索外，为了加快检索速度，还有一些近似检索的方法，牺牲部分精度来加速检索。

本项目的选择

考虑到易用性和本项目的量级，使用faiss-cpu。

结语

这里我们简要介绍了人脸比对中的一些概念。

人脸识别系统项目源码

https://mbd.pub/o/bread/ZJyTmZty