不同的人脸识别算法解析

在人脸识别领域，有一些比较经典的算法，例如特征脸法（Eigenface）、局部二值模式法、Fisherface等，不过在这里选择了一个目前应用比较广泛且流行的方法作为示例，叫做OpenFace。当然，我们不做实际的测试，只是通过它来了解识别的原理。

OpenFace属于基于模型的方法，它是一个开源库，包含了landmark，head pose，Actionunions，eye gaze等功能，以及训练和检测所有源码的开源人脸框架。

在前面的步骤中，已经为大家介绍如何通过HOG的方法将图像中人脸的特征数据提取出来，也就是成功检测到了人脸。

这时又有一个问题，就是这个人脸的姿势好像不是那么“正”，同样一个人，如果她的姿势，面部的朝向不同，人类仍然能认出她来，而计算机可能就认不出了。

解决这个问题，有一个办法，就是检测人脸主要特征的特征点，然后根据这些特征点对人脸做对齐校准。这是Vahid Kazemi和Josephine Sullivan在2014年发明的方法，他们给人脸的重要部分选取68个特征点（Landmarks），这68个点的位置是固定的，所以只需要对系统进行一些训练，就能在任何脸部找到这68个点。

图片来源：OpenFace API

有了这68个点，就可以对人脸进行校正了，主要是通过仿射变换将原来比较歪的脸摆正，尽量消除误差。这里的仿射变换主要还是进行一些旋转、放大缩小或轻微的变形，而不是夸张的扭曲，那样就不能看了。

图片来源：OpenFace github说明页面

过程大约是这样，原来的脸被进行了一定程度的校正。

这样我们把原始的人脸图像以及HOG的特征向量输入，能够得到一张姿势正确的只含有人脸的图像。

注意，到这一步我们还不能直接拿这张人脸图像去进行比对，因为工作量太大，我们要做的是继续提取特征。

接着，我们将这个人脸图像再输入一个神经网络系统，让它为这个脸部生成128维的向量，也可以说是这个人脸的128个测量值，它们可以表示眼睛之间的距离，眼睛和眉毛的距离、耳朵的大小等等。这里只是方便大家理解而举例，实际上具体这128维的向量表示了哪些特征，我们不得而知。

当然，这一步说起来简单，其实难点在于如何训练这样的一个卷积神经网络。具体的训练方法不是我们需要了解的，但我们可以了解一下训练的思路。训练时我们可以输入一个人脸图像的向量表示、同一人脸不同姿态的向量表示和另一人脸的向量表示，反复进行类似的操作，并不断调整，调整的目标是让同一类对应的向量表示尽可能接近，其实也就是同一个人的向量表示尽可能距离较近，同理，不同类别的向量表示距离尽可能远。

其实训练的思路也很好理解，因为一个人的人脸不管姿态怎么变，在一段时间内有些东西是固定的，比如眼睛间的距离、耳朵的大小、鼻子的长度等。

在得到这128个测量值后，最后一步就简单了，就是将这128个测量值和我们训练、测试过的所有面部数据做比对，测量值最接近的，就是我们要识别的那个人了。这样就可以完成一次人脸的识别。