人脸识别之欧氏距离——余弦距离

最近训练了一个人脸识别模型，在测试集上的效果较之前的模型相比（lfw,cfp_fp,agedb_30），accucay都有所提升,但是在自己的测试集效果上却特别差。然后仔细的研读了相应的测试代码，先把训练工程中的代码贴出来：

diff = np.subtract(embeddings1, embeddings2)#做减法
dist = np.sum(np.square(diff), 1)#计算各元素的平方后加和

InsightFace中的代码使用的是欧氏距离，使用网络结构提取的特征进行欧式距离计算两个特征的相似度；

而我的测试代码使用的是余弦距离，测试代码:

regmat = np.array(regfeat) #regfeat特征
capmat = np.array(capfeat) #capfeat特征

regmat_T = regmat.T
SimilarityMatrix = np.dot(capmat, regmat_T)#dot()返回的是两个矩阵的乘积

那在人脸识别当中欧氏距离和余弦距离是个什么样的存在？

欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下：

余弦相似度用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦相似度更加注重两个向量在方向上的差异，而非距离或长度上。公式如下：

欧式距离与余弦距离区别（以下内容参考：https://blog.csdn.net/wangdong2017/article/details/81302799）：

三维坐标中的两个向量之间的夹角就是余弦距离cosθ，而欧式距离是dist（A，B），距离度量衡量的是空间各点间的绝对距离，跟各个点所在的位置坐标（即个体特征维度的数值）直接相关；而余弦相似度衡量的是空间向量的夹角，更加的是体现在方向上的差异，而不是位置。当保持AB两点的方向不变，而延长B点，则余弦距离不会改变，但是欧氏距离就会发生变化。这就是欧式距离与余弦距离区别；

而在人脸识别任务中，归一化后的向量的余弦距离和欧氏距离是等价的（以下内容转载自：https://blog.csdn.net/liuweiyuxiang/article/details/88736615）；

（以上的公式转载自https://www.zhihu.com/question/19640394/answer/207795500）

上面的公式可以再推一步：

                                                                    euc_distance=2(1−cos(A,B))​

我们将cos(A,B)cos(A,B)cos(A,B)称为余弦相似度，1−cos(A,B)1-cos(A,B)1−cos(A,B)称为余弦距离，可以看到余弦距离和cos距离是等价的。推广到高纬空间可以得到一样的结论。
现在的人脸识别方法中，会对特征做归一化，归一化后特征的余弦距离和cos距离是等价的，所以使用哪个距离都是OK的。

后面内容有提到一般会将人脸识别的余弦距离转化成欧式距离来进行计算，这里是关系到算法的计算复杂度，不太了解，感兴趣的同学可以查阅以上的参考文献；

感谢以下内容分享的博主！

https://www.zhihu.com/question/19640394/answer/207795500

https://blog.csdn.net/liuweiyuxiang/article/details/88736615

https://blog.csdn.net/wangdong2017/article/details/81302799