人脸识别的基本原理

人脸识别系统的组成

人脸识别算法主要包含三个模块：

人脸检测（Face Detection）
人脸对齐（Face Alignment）
人脸特征表征（Feature Representation）

 人脸检测用于确定人脸在图像中的大小和位置，即解决“人脸在哪里”的问题，把真正的人脸区域从图像中裁剪出来，便于后续的人脸特征分析和识别。下图是对一张图像的人脸检测结果：

人脸对齐

同一个人在不同的图像序列中可能呈现出不同的姿态和表情，这种情况是不利于人脸识别的。所以有必要将人脸图像都变换到一个统一的角度和姿态，这就是人脸对齐。它的原理是找到人脸的若干个关键点（基准点，如眼角，鼻尖，嘴角等），然后利用这些对应的关键点通过相似变换（Similarity Transform，旋转、缩放和平移）将人脸尽可能变换到标准人脸

 

人脸特征表征

第三个模块是本文重点要讲的人脸识别算法，它接受的输入是标准化的人脸图像，通过特征建模得到向量化的人脸特征，最后通过分类器判别得到识别的结果。这里的关键是怎样得到对不同人脸有区分度的特征，通常我们在识别一个人时会看它的眉形、脸轮廓、鼻子形状、眼睛的类型等，人脸识别算法引擎要通过练习（训练）得到类似这样的有区分度的特征。

每个机器学习算法都会将数据集作为输入，并从中学习经验。算法会遍历数据并识别数据中的模式。例如，假定我们希望识别指定图片中人物的脸，这些脸部图片存在以下特征：

• 脸部的长度/宽度。

• 由于图片比例会被调整，长度和高度可能并不可靠。然而，在放缩图片后，比例是保持不变的——脸部长度和宽度的比例不会改变。

• 脸部肤色。

• 脸上局部细节的宽度，如嘴，鼻子等。

 

显而易见，此时存在一个模式——即不同的脸有不同的维度，相似的脸有相似的维度。有挑战性的是需要将特定的脸转为数字，因为机器学习算法只能理解数字。表示一张脸的数字（或训练集中的一个元素）可以称为特征向量。一个特征向量包括特定顺序的各种数字。

举一个简单的例子，我们可以将一张脸映射到一个特征向量上。特征向量由不同的特征组成，如：

• 脸的长度（cm）

• 脸的宽度（cm）

• 脸的平均肤色（R，G，B）

• 唇部宽度（cm）

• 鼻子长度（cm）

当给定一个图片时，我们可以标注不同的特征并将其转化为如下图所示的特征向量：

此一来，我们的图片现在被转化为一个向量，可以表示为(23.1,15.8,255,224,189,5.2,4.4)。当然我们还可以从图片中衍生出无数的其他特征（如，头发颜色，胡须，眼镜等）。然而在这个简单的例子中，我们只考虑这五个简单的特征。

现在，一旦我们将每个图片解码为特征向量，问题就变得更简单。明显地，当我们使用同一个人的两张面部图片时，提取的特征向量会非常相似。换言之，两个特征向量的“距离”就变得非常小。

此时机器学习可以帮我们完成两件事：

• 提取特征向量。由于特征过多，手动列出所有特征是非常困难的。一个机器学习算法可以自动标注很多特征。例如，一个复杂的特征可能是：鼻子长度和前额宽度的比例。手动列出所有的这些衍生特征是非常困难的。

• 匹配算法：一旦得到特征向量，机器学习算法需要将新图片和语料库中的特征向量进行匹配。

 

参考

https://blog.csdn.net/iodjSVf8U1J7KYc/article/details/84312228

https://www.cnblogs.com/haiyang21/p/11208293.html