人脸识别面试常见题目总结

项目整体流程图：

简单简述一下你做的人脸识别项目的整个流程？

首先利用dlib进行人脸的数据集采集和建立

1. 通过摄像头采集人脸图像
2. 建立人脸图像的label信息
3. 建立个人人脸数据库

数据库初始化

数据库的初始化具体执行的过程就是：

1. 遍历数据库中所有的图片。

2. 检测每个图片中的人脸位置。

3. 利用mtcnn将人脸截取下载。

4. 将获取到的人脸进行对齐。

5. 利用facenet将人脸进行编码。

6. 将所有人脸编码的结果放在一个列表中，同时也会将它们的名字放入列表中，这两个列表中的相同位置的元素都是对应的，

   方便后面根据对应的编码的索引找到名字，然后实时显示在检测结果中。

第6步得到的列表就是【已知的所有人脸】的特征列表，在之后获得的实时图片中的人脸都需要与已知人脸进行比对，这样我们才能知道谁是谁。

实时图片的处理

1. 人脸的截取与对齐
2. 利用facenet对矫正后的人脸进行编码
3. 将实时图片中的人脸特征与数据库中的进行比对

比对过程：

1. 获取实时图片中的每一张人脸特征。
2. 将每一张人脸特征和数据库中所有的人脸进行比较，计算距离。如果距离小于阈值，则认为其具有一定的相似度。
3. 获得每一张人脸在数据库中最相似的人脸的序号。
4. 判断这个序号对应的人脸距离是否小于阈值，是则认为人脸识别成功，他就是这个人。

请简述MTCNN的结构组成

分为P-Net,R-Net,O-Net网络结构

P-Net，（Proposal Network ）：该网络结构主要获得了人脸区域的候选窗口和边界框的回归向量。并用该边界框做回归，对候选窗口进行校准，然后通过非极大值抑制（NMS）来合并高度重叠的候选框。

R-Net，（Refine Network ）：该网络结构还是通过边界框回归和NMS来去掉那些false-positive区域。只是由于该网络结构和P-Net网络结构有差异，多了一个全连接层，所以会取得更好的抑制false-positive的作用。

O-Net，（Output Network ）：该层比R-Net层又多了一层卷基层，所以处理的结果会更加精细。作用和R-Net层作用一样。但是该层对人脸区域进行了更多的监督，同时还会输出5个地标（landmark）。

什么是在线挖掘困难样本？

即在训练时选择前K个loss较大的样本进行back propagate(bp)，而loss较小的样本(easy samples)则认为分类正确不用bp（loss较小可认为学会了，既然学会了就没有必要再学，也就不需要bp了），这里的前K可以是一个百分比，即前K%的hard样本，如70%，这个是MTCNN OHSM 采用的方法，注意K不能太大否则不能达到hard sample mining的作用。

请简述FacNet网络计算流程

首先模型分为两个部分，一个是人脸检测流程，一个是人脸编码流程。

人脸检测流程

使用MTCNN模型检测人脸，整个模型一共是有三个网络，按顺序依次是P-net，R-net，O-net，流程如上。

人脸编码流程

输入一张人脸图片，一般是人脸检测之后通过位置信息抠出来的人脸，并且经过了仿射变换，变成正脸。

什么是仿射变换？

简单的来说，仿射变换就是：线性变换+ 平移

那么线性变换和仿射变换的区别是什么？

线性变换三个要点：

1. 变换前是直线，变换后依然是直线
2. 直线比例保持不变
3. 变换前是原点的，变换后依然是原点

仿射变换的两个要点：

1. 变换前是直线的，变换后依然是直线
2. 直线比例保持不变

你还尝试过什么方案优化模型结构？

facenet它的主干网络就是Inception-ResNetV1，还有其他几个优化的网络为：Inception-resnet-A、Inception-resnet-B、Inception-resnet-C；三个模块其实都是Inception和resnet结合的变种残差网络。它们在Inception-ResNetV1中会作为一个block被使用多次，例如5个连续的Inception-resnet-A放在一块使用，因为是残差网络，所以输入和输出是可以直接相加的；因此可以连续使用5个Inception-resnet-A；同理后面两个会被连续调用10次和5次。最后再经过一个全连接dense层，输出128的特征向量，这个特征向量是进行人脸识别的关键，因为相似的人脸它们的特征向量在欧式空间的距离是非常小的，我们就可以通过这个距离小于某个阈值来判断人脸。对得到的128的特征向量进行L2标准化，得到最终的特征向量

Facenet的特点是什么？

与其他的深度学习方法在人脸上的应用不同，FaceNet并没有用传统的softmax的方式去进行分类学习，然后抽取其中某一层作为特征，而是直接进行端对端学习一个从图像到欧式空间的编码方法（Euclidean embedding），然后基于这个编码在嵌入空间（embedding space）用（欧氏距离）L2 distance对比做人脸识别、人脸验证和人脸聚类等。

FaceNet算法有如下要点：

去掉了最后的softmax，而是用三元组计算距离的方式来进行模型的训练。使用这种方式学到的图像表示非常紧致，使用12维。

（特征向量的维度选择问题，维度约小计算越快，但是太小的话很难区分不同图片；维度越大越容易区分不同图片，但是太大训练模型不易收敛，且测试时计算慢，占用空间大。经过实验证明 128 维的特征能够较好的平衡这个问题）

三元组的选择非常重要，选的好可以很快的收敛

MTCNN里面的技术关键点包括

1. iou（交并比）

2. nms（非极大值抑制）

3. convert_to_square（转正方形）

4. 偏移量计算（生成标签时）

5. 图像金字塔（侦测时）

6. 图像坐标反算（侦测时）

IOU是什么？

iou表示两个框重叠的比例，iou越大，表示两个框重叠部分越多，越有可能框的是同一个物体。

P_Net和R_Net：交集比并集

O_Net：交集比最小框

O_NET中更多的是出现大框套小框的情况，因此以交集比最小框的比值作为iou。

NMS

nms的作用是去除重复框，流程如下：

convert_to_square（转正方形）

在侦测的时候，P_NET的人脸预测框需要先转化为正方形，然后在原图上裁剪出对应的图片，resize为（24,24）之后才能把图片输入R_NET。同样，R_NET的人脸预测框也需要转化为正方形，然后裁剪原图，resize为（48,48），输入O_NET最终预测人脸区域。

如图，蓝色框为预测框，红色框为预测框转化成的正方形。
正方形框左上角的坐标值 = 左上角的坐标值+0.5框边长-0.5最大边长。

len_side = max(w, h)
_x1 = x1 + 0.5 * w - 0.5 * len_side

预测框和转化后的正方形框中心点不变。不过在特殊情况，如原图中人脸太靠近图片边缘，预测框转正方形后正方形的边可能超过图片边缘，此时中心点可略作调整，使正方形位于图片内部。

偏移率计算

生成标签的时候需要进行偏移率计算。

标签包括1个类别（正样本为1， 负样本为0，部分样本为2）， 4个边框偏移率，10个人脸关键点的坐标值偏移率，即一个15维的向量。

偏移率代表的是真实框相对于建议框的偏移的比率。

offset =（真实框坐标值-建议框坐标值）/建议框的边长

P_NET，R_NET，O_NET的建议框分别为12*12， 24*24， 48*48的正方形

图像金字塔

侦测的时候，将原图输入P_NET，可以得到（1, C, H, W）形状的特征图，特征图上的每个点的感受野为1212。1212的区域是很小的，无法预测原图上比较大的人脸，因此可以把原图进行缩放，传入P_NRT，原图上的人脸变小之后，P_NET才能准确预测人脸框。

图像坐标反算

在侦测的时候进行做图像坐标反算，反算分为两个部分：

1. 根据索引，计算出建议框在原图上的坐标值

   如图有4个建议框，分别为红，绿，黄，蓝，每个建议框对应特征图上的一个点，比如红色框对应特征图上（0,0）这个点，绿色框对应特征图上（0,1）这个点。每个建议框和特征图上的点一一对应，因此，根据特征图上的索引，可以反算得到建议框在原图上的坐标。

   特征图共有5个通道，分别为：

   置信度：模型预测出的建议框内含有人脸的概率

   预测框相对于建议框左上角