本文笔者给我们分析人脸识别算法。

人脸辨认人脸识别

LFW风云录

提起人脸识别算法，首要必须说到LFW——一个人脸识别的揭露测验集。在深度学习快速开展的初期（2014年左右），LFW是国内外人脸识别算法公司的擂台，facebook、百度、face++、商汤等一系列的企业以及校园纷繁刷榜，标榜自己的人脸辨认算法天下第一。下面笔者带领我们来看一看lfw数据集到底是怎么姿态的。

LFW的测验集由6000对人脸图片组成，3000对归于同一个人，3000对归于不同人。这6000对测验对，每对核算一个得分，然后选定一个阈值，大于阈值为同一个人，小于阈值为不同人。这个阈值该如何选取呢？这里引进等错误率的概念，简略了解，选取同一个人分错的份额和不同人分错份额相等的阈值。我们平时看到的在LFW上辨认率到达99%其实指的是，对这6000对判别的准确率到达了99%（即判别正确6000*0.99=5940对）。需求注意到LFW同一个人的标注中有5对是错误的，故理论上的最高准确率为（6000-5*2）/ 6000 = 0.998333。

LFW部分成果

随着深度学习的开展，在LFW上的成果也不断更新，如上表所示。笔者以为到现阶段（在LFW都是0.99+），LFW现已不能很好的表现人脸辨认算法的能力，首要是LFW测验集本身量级太少，就6000对，0.1个百分点对应也就是6对图画；其次测验集为名人数据，有或许出现在练习数据中（爬虫处理等），例如中科院整理的练习数据集就有三个人和测验集相同；最终，关于国内的大多数厂家来说，实践使用的大多数仍是中国人，在LFW数据集上表现好，在实践使用中作用纷歧定好，即算法在不同人种上表现是不相同的。

现在人脸识别比较权威的测验集是MS-Celeb-1M和megaface，在此上刷出成果的确表现了算法能力。笔者以为，刷分是一方面，如果想实践使用，仍是需求在使用场景中获取自己的测验集来测验，究竟针对一个数据集来刷分会有许多trick，与实践使用仍是略有不同，不要过分堕入刷分怪圈。

人脸识别通用结构

人脸识别的通用结构比较简略：

人脸检测，得到人脸图画在图画中的位置；

人脸对齐，一般是根据关键点的信息，将人脸图画进行仿射改换、缩放到统一大小（简略了解，例如根据人眼位置对齐）；

特征提取，传统方式或是深度学习办法，实质是用特征对人脸图画进行表达；

特征比对，常见的是核算一个间隔，例如用cos核算夹角；

人脸识别算法一览

《Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification》，简称high LBP（0.9517），深度学习算法前比较经典的算法。对图画分块，各种overlap，最终把LBP特征堆积起来（维度10W+），经行LDA、PCA处理，然后核算间隔。

Joint Basyesian

《 Bayesian Face Revisited: A Joint Formulation 》简称Joint Bayesian（0.9242），用的是最大化后验概率的办法，其间公式笔者记住以前推了良久，不详细介绍。现在有许多在深度学习提取特征之后持续用Joint Bayesian提高的办法。

《 Deepface: Closing the gap to humal-level performance in face verification 》，简称DeepFace（0.9735）。FaceBook基于3D人脸模型的规划，400W的人脸练习数据对其时来说也是归于海量数据了，也让业界清晰的认识到，来吧，推数据吧！

DeepID三部曲系列，重点是《DeepID3: Face Recognition with Very Deep Neural Networks》，简称DeepID3（0.9745），用到了VGG和googleNet的网络结构。

《 FaceNet: A Unified Embedding for Face Recognition and Clustering 》 简称FaceNet，FaceNet的中心思想来说就是triplet loss。

《 A Discriminative Feature Learning Approach for Deep Face Recognition 》简称Center Loss，这个也是通过许多人试验认证的确work的一种方式。

《 Large-Margin Softmax Loss for Convolutional Neural Networks 》简称L-Softmax，在softmax上进行处理，目的是让不同类分的更开。

《 SphereFace: DeepHypersphereEmbeddingforFaceRecognition 》简称A-Sodtmax，是在L-Softmax上的改进。A-softmax loss简略讲就是在large margin softmax loss的基础上添加了两个约束条件||W||=1和b=0，使得预测仅取决于W和x之间的视点。

​

A-Softmax

最重要的ResNet笔者没有单独列出来，究竟ResNet是通杀的，笔者就不故意介绍。介绍了这么多，其实笔者以为最重要的仍是数据。很多的数据加上ResNet加上center loss 或是 其他loss试验，作用不会差，剩余的细节就是各位在炼丹中的经验和trick了。