【TensorFlow】_002_人脸识别算法

【人脸识别算法的三个流程】

• 人脸 检测 (Face Detection)
• 人脸 对齐 (Face Alignment)
• 人脸 特征表征 (Feature Representation)

【线性降维】

• 在研究早期，人们使用 子空间算法：将人脸图像当做一个 高维向量，将其投影到 低维空间 后，期望得到的 低维向量 对不同的人具有 区分度。
• Matthew 等使用 PCA 降维得到 特征脸 (Eigenface)
• Peter 等使用 LDA 降维得到 Fisherface 来实现人脸识别
• 但是，PCA 和 LDA 都是 线性降维技术，显然人脸在高维空间中的分布式 非线性 的。因此，我们可以进一步使用 非线性降维算法。如 流形 和 核方法

【非线性降维 - 流形】

• 流形 假设 向量点 在高维空间中的分布具有某些 几何形状，然后在 保持 这些几何形状的前提下，将向量 投影 到低维空间中，这种投影是通过 非线性变换 完成的。如下所示，我们将 3维空间 中的瑞士卷 (Swiss Roll) 数据集非线性降维到 2维空间，并尽可能 降低 对数据分布的影响
  
• 但是，这些通过 直接降维 来进行人脸识别的早期算法，只是将数据进行了 投影，普遍都存在 严重依赖 训练集和测试集场景的问题，且对 光照，人脸的 表情、姿态 敏感，泛化 能力不足，不具有太多的实用价值

【人工特征 + 分类器】

• 第二阶段的人脸识别算法普遍采用了 人工特征 + 分类器 的模式
• 分类器 比较成熟，如 逻辑回归，贝叶斯，支持向量机，神经网络等
• 因此，算法的关键是 特征工程，即如何设计出 有效区分 不同人的特征
• 于是，计算机视觉领域很多描述 图像 的特征都被先后用于人脸识别问题，包括 HOG、SIFT、Gabor、LBP等。典型的代表是简单高效的 LBP (局部二值模式) 特征。LBP 部分解决了 光照敏感 问题
• 联合贝叶斯 是对 贝叶斯人脸 的改进方法，选用 LBP 和 LE 作为基础特征，将人脸图像的差异表示为：相同人因 姿态、表情 等导致的差异和 不同人 间的差异两个因素，用潜在变量组成的 斜方差，建立两张人脸的关联。在 LFW 中取得 92.4% 准确率
• 2013年，MSRA 的 Dong Chen 等继续发力，发表了一篇关于如何使用 高维度特征在 人脸验证 中的文章，作者主要以 LBP 为例，论述了 高纬特征 和 验证性能 成 正相关，即人脸纬度越高，验证的准确度就越高。文中最好的方法在 LFW上的准确率达到了 95.17%
  

【深度学习 - Facebook DeepFace】

• DeepFace 是 深度卷积神经网络 在人脸识别领域的奠基之作。他们使用 3D 模型来解决 人脸对齐 问题，同时又使用了 9 层深度神经网络来做 人脸特征 表示。
• 损失函数 使用了 Softmax Loss，最后通过 特征嵌入 (Feature Embedding) 得到固定长度的 人脸特征向量
• DeepFace 在 LFW 上取得 97.35% 的准确率，已经接近人类的水平
  

【深度学习 - Google FaceNet】

• Google 创新的提出了使用 三元组损失函数 (Triplet Loss) 替换 Softmax Loss。在一个 超球空间 上进行优化使 类内距离 更紧凑，类间距离 更远，最后得到了一个紧凑的 128维人脸特征，其网络使用 GoogleNet 的 Inception 模型，模型 参数量较小，精度更高
• FaceNet 在 LWF 上取得了 99.63% 的准确率
  
  
  
  感谢：极客时间
  感谢：《深入理解TensorFlow》作者：彭靖田