最近對人臉識別感興趣，網上找了個閱讀清單一點點開始看
《blessing of dimensionality: high-dimensional feature and its efficient compression for face verification》，簡稱high lbp（0.9517），深度學習演算法前比較經典的演算法。對影象分塊，各種overlap，最後把lbp特徵堆積起來（維度10w+），經行lda、pca處理，然後計算距離。
joint basyesian：《 bayesian face revisited: a joint formulation 》簡稱joint bayesian（0.9242），用的是最大化後驗概率的方法，其中公式筆者記得以前推了好久，不詳細介紹。目前有很多在深度學習提取特徵之後繼續用joint bayesian提高的方法。
《 deepface: closing the gap to humal-level performance in face verification 》，簡稱deepface（0.9735）。facebook基於3d人臉模型的設計，400w的人臉訓練資料對當時來說也是屬於海量資料了，也讓業界清晰的認識到，來吧，推資料吧！
deepid三部曲系列，重點是《deepid3: face recognition with very deep neural networks》，簡稱deepid3（0.9745），用到了vgg和googlenet的網路結構。
《 facenet: a unified embedding for face recognition and clustering 》 簡稱facenet，facenet的核心思想來說就是triplet loss。
《 large-margin softmax loss for convolutional neural networks 》簡稱l-softmax，在softmax上進行處理，目的是讓不同類分的更開。
《 sphereface: deephypersphereembeddingfo***cerecognition 》簡稱a-sodtmax，是在l-softmax上的改進。a-softmax loss簡單講就是在large margin softmax loss的基礎上新增了兩個限制條件||w||=1和b=0，使得**僅取決於w和x之間的角度。
最重要的resnet筆者沒有單獨列出來，畢竟resnet是通殺的，筆者就不刻意介紹。介紹了這麼多，其實筆者認為最重要的還是資料。大量的資料加上resnet加上center loss 或是 其他loss實驗，效果不會差，剩下的細節就是各位在煉丹中的經驗和trick了。
《cosface: large margin cosine loss for deep face recognition》面向深度人臉識別的增強邊緣余弦損失函式設計。人臉識別的核心任務包括人臉驗證和人臉辨識。然而，在傳統意義上的深度卷積神經網路的softmax代價函式的監督下，所學習的模型通常缺乏足夠的判別性。
為了解決這一問題，近期一系列損失函式被提出來，如center loss，l-softmax，a-softmax。所有這些改進演算法都基於乙個核心思想:增強類間差異並且減小類內差異。
在本文中，作者從乙個新的角度來解決這個問題，並設計了乙個新的損失函式，即增強邊緣余弦損失函式(lmcl)。更具體地說，通過對特徵向量和權向量的l2歸一化，把softmax損失函式轉化為余弦損失函式，這樣做消除了半徑方向的變化，並在此基礎上引入了乙個余弦邊界值m來進一步最大化所學習的特徵在角度空間的決策間距。因此，採用這種歸一化和增強余弦決策邊距的方法，能夠更有效的起到最大化類間差異和最小化類內差異的作用。
人臉識別 人臉庫
1.mit 影象集 美國，麻省理工學院 包括 16 人，每個人有不同光照 不同尺寸 不同角度的 27 張 2.feret 影象集 美 方 此影象集包含大量的人臉影象，並且每幅圖中均只有乙個人臉。該集中，同乙個人的 有不同表情，光照，姿態和年齡的變化。3.umist 影象集 英國，曼切斯特大學 20 ...
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...
人臉識別API 人臉比對
api協議說明 路徑 輸入引數 字段型別 描述seq可選 string 會話序號 非必填 imga string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種格式 imgb string 資料 base64編碼 原始建議小於3m,格式限定為jpg bmp png三種...