這裡的人臉識別包括但不限於：人臉檢測，人臉對齊，身份驗證識別，和表情、年齡識別。 cs小白提問，求輕噴。不求多詳細，但求各位大佬講一下基本的過程就好，如…顯示全部
關注者916 被瀏覽
59,851
關注問題寫回答
分享
邀請回答
舉報
17 個回答
預設排序
何之源
新書《21個專案玩轉深度學習——基於tensorflow的實踐詳解》已上線京東，天貓～
322 人贊同了該回答
我這裡簡單講下openface中實現人臉識別的pipeline，這個pipeline可以看做是使用深度卷積網路處理人臉問題的乙個基本框架，很有學習價值，它的結構如下圖所示：
輸出：人臉位置的bounding box。
這一步一般我們稱之為「人臉檢測」（face detection），在openface中，使用的是dlib、opencv現有的人臉檢測方法。此方法與深度學習無關，使用的特徵是傳統計算機視覺中的方法（一般是hog、haar等特徵）。
輸入：原始影象 + 人臉位置bounding box
輸出：「校準」過的只含有人臉的影象
對於輸入的原始影象 + bounding box，這一步要做的事情就是要檢測人臉中的關鍵點，然後根據這些關鍵點對人臉做對齊校準。所謂關鍵點，就是下圖所示的綠色的點，通常是眼角的位置、鼻子的位置、臉的輪廓點等等。有了這些關鍵點後，我們就可以把人臉「校準」，或者說是「對齊」。解釋就是原先人臉可能比較歪，這裡根據關鍵點，使用仿射變換將人臉統一「擺正」，盡量去消除姿勢不同帶來的誤差。這一步我們一般叫face alignment。
輸入：校準後的單張人臉影象
輸出：乙個向量表示。
這一步就是使用深度卷積網路，將輸入的人臉影象，轉換成乙個向量的表示。在openface中使用的向量是128x1的，也就是乙個128維的向量。
我們可以先看一下vgg16的模型：
在理想的狀況下，我們希望「向量表示」之間的距離就可以直接反映人臉的相似度：
這種表示實際上就可以看做某種「embedding」。在原始的vgg16模型中，我們使用的是softmax損失，沒有對每一類的向量表示之間的距離做出要求。所以不能直接用作人臉表示。
舉個例子，使用cnn對mnist進行分類，我們設計乙個特殊的卷積網路，讓最後一層的向量變為2維，此時可以畫出每一類對應的2維向量表示的圖（圖中一種顏色對應一種類別）：
上圖是我們直接使用softmax訓練得到的結果，它就不符合我們希望特徵具有的特點：
那麼訓練人臉特徵表示的正確姿勢是什麼？其實有很多種方法。一種方法就是使用「center loss」。centor loss實際上是在softmax的loss上再加入乙個損失，這個損失對每一類規定了乙個「中心」點，每一類的特徵應該離這個中心點比較近，而不同類的中心點離的比較遠。加入center loss後，訓練出的特徵大致長這樣：
。上面這兩幅圖同樣是從這篇**中截下來的。
輸入：人臉的向量表示。
有了人臉的向量表示後，剩下的問題就非常簡單了。因為這種表示具有相同人對應的向量的距離小，不同人對應的向量距離大的特點。接下來一般的應用有以下幾類：
以上給大家介紹了openface中處理人臉問題的pipeline。需要特別指出的是，人臉相關的問題是乙個比較大的方向，一篇文章顯然是說不清楚的，這裡只是基於openface，對比較重要的方法還有名詞做了乙個解釋。在openface中，為了速度的考慮，提取人臉特徵之前的face detection和face alignment就是使用的傳統方法。實際上也可以換用精度更高的深度學習相關方法，比如在中科院山世光老師開源的人臉識別引擎seetaface/seetafaceengine中，face alignment使用就是乙個基於autoencoder網路的方法。另外，學習人臉特徵同樣有適合不同場景的不同方法，這些都是要進一步學習的。
使用Siamese神經網路進行人臉識別
本文由 使用siamese神經網路進行人臉識別 作者 firdaouss doukkali 譯者 孫浩 編輯 emily 一次性學習 為了理解為什麼我們有一次性學習的原因，我們需要討論下深度學習和資料。通常，在深度學習中，我們需要大量的資料，而我們擁有的資料越多，結果就越好。可是，假如可以用僅僅很少...
Keras深度學習 卷積神經網路 手寫數字識別
引言 最近在閉關學習中，由於多久沒有寫部落格了，今天給大家帶來學習的一些內容，還在學習神經網路的同學，跑一跑下面的 給你一些自信吧！nice 奧里給！正文 首先該impor的庫就不多說了，不會的就pip install something that you got it 備註 mnist.npz資源...
卷積神經網路文字輸入 使用卷積神經網路進行文字分類
cnn 是卷積神經網路，通常用於影象領域，並且在影象分類取得非常好的效果。2014 年 yoon kim 在 convolutional neural networks for sentence classification 中將 cnn 的思想應用到文字處理中，後續很多把 convnet 用在 n...