deepid採用增大資料集的方法：
deepid是一種特徵提取的演算法，這種網路一經訓練好後，可以提取出輸入人臉的深層次特徵——
deepid也是多個特徵的融合體，你可以理解為deepid對人臉上的很多關鍵區域都訓練了乙個 cnn 網路，去做分類，得到隱層特徵，把這些特徵拼接在一起，再做某種意義上的降維，得到最終特徵，用這個特徵來做描述，世紀晟科技人臉識別就可以非常有效地完成多分類任務。
deepid**徵提取+softmax分類：
下圖就是這個特徵提取deepid網+softmax分類的示意圖。
softmax這個分類器可以說是咱們深度學習領域最常見的乙個分類器了，如果大家對邏輯回歸有基礎的話，那麼這個softmax分類器可以當成乙個多分類的邏輯回歸。
每層的數字表示的是每個卷積網路神經元的數量，隨著層數的增加，神經元的數量會減少。
deepnets的訓練過程：
乙個deepid網（就是前面的120個之一）包含4個卷積層（每乙個都帶有最大池化層）以及乙個全連線層（也就是deepid的160維特徵），在訓練網路時後面還要加上softmax層，不然不能給標籤沒法訓練了，當然訓練出網路後在測試資料上可以不加softmax，只到全連線層後就直接使用特徵。
人臉的特徵提取：
對於一張人臉，在經過人臉檢測和人臉對齊之後，作者按照瞳孔和嘴的位置對所有訓練樣本進行了對齊（保證後面的切片工作是同一尺度下的），然後根據特徵點的位置，進行了切塊提取，下圖上半部分就是對一張人臉在10個位置下的提取，然後每乙個位置的切塊提取還會有三個不同的尺度，這就得到了同一張人臉的30個不同的部位人臉圖
有了30個不同部位人臉圖後，當然此時著30個不同部位人臉圖還都是rgb影象，我們還需要灰度影象上的特徵，因此每乙個部位圖還要有乙份灰度圖版的，因此30又翻個倍，變成了60
下面把deepid特徵視覺化的結果，也是可以挺明顯的看出不同人臉提取的特徵不一樣
人臉情感特徵提取（二）
人臉情感特徵提取 一 知識背景 如果以下內容對你有所幫助，可以點讚關注一下表示支援哦！import cv2 import dlib 與人臉檢測相同，使用dlib自帶的frontal face detector作為人臉檢測器 detector dlib.get frontal face detecto...
NMF人臉資料特徵提取
非負矩陣分解 nmf 非負矩陣分解是在矩陣中所有元素均為非負數約束條件之下的矩陣分解方法。基本思想 給定乙個非負矩陣v，nmf能夠找到乙個非負矩陣w和乙個非負矩陣h，使得矩陣w和h的乘積近似等於矩陣v中的值。非負矩陣分解 nmf import matplotlib.pyplot as plt fro...
LBP演算法（人臉識別特徵提取）
lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。lbp方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，lbp的識別率已經有了很大的提公升。在 1 的文章裡，有些人臉庫的識別率已經達到了98 1 lbp特徵提取 ...