我們知道人臉識(shí)別在這幾年應(yīng)用相當(dāng)廣泛，人臉考勤，人臉社交，人臉支付，哪里都有這黑科技的影響，特別這幾年機(jī)器學(xué)習(xí)流行，使得人臉識(shí)別在應(yīng)用和準(zhǔn)確率更是達(dá)到了一個(gè)較高的水準(zhǔn)。

 

 

　　人臉識(shí)別是由一系列的幾個(gè)相關(guān)問(wèn)題組成的：

 

　　首先找到一張圖片中的所有人臉。

 

　　對(duì)于每一張臉來(lái)說(shuō)，無(wú)論光線明暗或面朝別處，它依舊能夠識(shí)別出是同一個(gè)人的臉。

 

　　能夠在每一張臉上找出可用于他人區(qū)分的獨(dú)特之處，比如眼睛多大，臉有多長(zhǎng)等等。

 

　　最后將這張臉的特點(diǎn)與已知所有人臉進(jìn)行比較，以確定這個(gè)人是誰(shuí)。

 

 

　　很顯然在我們?cè)谌四樧R(shí)別的流程中得首先找到圖片中的人臉。我們?cè)谑褂檬謾C(jī)或相機(jī)拍照時(shí)都會(huì)有人像模式，它能輕松的檢測(cè)出人臉的位置，幫助相機(jī)快速對(duì)焦。

 

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　我們得感謝 保羅·比奧拉（Paul Viola）和邁克爾·瓊斯（Michael Jones）在2000年發(fā)明了一種能夠快速在廉價(jià)相機(jī)上運(yùn)行的人臉檢測(cè)方法，人臉檢測(cè)在相機(jī)上的應(yīng)用才成為主流。然而現(xiàn)在我們有更可靠的解決方案HOG（Histogram of Oriented Gradients）方向梯度直方圖，一種能夠檢測(cè)物體輪廓的算法。

 

　　首先我們把圖片灰度化，因?yàn)轭伾畔?duì)于人臉檢測(cè)而言沒什么用。

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　我們分析每個(gè)像素以及其周圍的像素，根據(jù)明暗度畫一個(gè)箭頭，箭頭的指向代表了像素逐漸變暗的方向，如果我們重復(fù)操作每一個(gè)像素，最終像素會(huì)被箭頭取代。這些箭頭被稱為梯度(gradients)，它們能顯示出圖像從明亮到黑暗流動(dòng)的過(guò)程。

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　分析每個(gè)像素對(duì)我們來(lái)說(shuō)有點(diǎn)不劃算，因?yàn)樗^(guò)細(xì)節(jié)化了，我們可能會(huì)迷失在像素的海洋里，我們應(yīng)該從更高的角度觀察明暗的流動(dòng)。

 

　　為此我們將圖像分割成16x16像素的小方塊。在每個(gè)小方塊中，計(jì)算出每個(gè)主方向有多少個(gè)剃度（有多少指向上，指向右上，指向右等）。然后用指向性最強(qiáng)的那個(gè)方向箭頭來(lái)代替原來(lái)那個(gè)小方塊。

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　最終結(jié)果，我們把原始圖像轉(zhuǎn)換成一個(gè)非常簡(jiǎn)單的HOG表達(dá)形式，它可以很輕松的捕獲面部的基本結(jié)構(gòu)。

 

　　為了在HOG圖像中找到臉部，我們需要做的是，與已知的一些HOG圖案中，看起來(lái)最相似的部分。這些HOG圖案都是重其他面部訓(xùn)練數(shù)據(jù)中提取出來(lái)的。

 

 

　　我們已經(jīng)找出了圖片中的人臉，那么如何鑒別面朝不同方向的人臉呢？

 

　　對(duì)于電腦來(lái)說(shuō)朝向不同的人臉是不同的東西，為此我們得適當(dāng)?shù)恼{(diào)整扭曲圖片中的人臉，使得眼睛和嘴總是與被檢測(cè)者重疊。

 

　　為了達(dá)到目的我們將使用一種面部特征點(diǎn)估計(jì)（face landmark estimation）的算法。其實(shí)還有很多算法都可以做到，但我們這次使用的是由瓦希德·卡奇米（Vahid Kazemi）和約瑟菲娜·沙利文（Josephine Sullivan）在 2014 年發(fā)明的方法。

 

　　這一算法的基本思路是找到68個(gè)人臉上普遍存在的點(diǎn)（稱為特征點(diǎn)， landmark）。

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　下巴輪廓17個(gè)點(diǎn) [0-16]

 

　　左眉毛5個(gè)點(diǎn) [17-21]

 

　　右眉毛5個(gè)點(diǎn) [22-26]

 

　　鼻梁4個(gè)點(diǎn) [27-30]

 

　　鼻尖5個(gè)點(diǎn) [31-35]

 

　　左眼6個(gè)點(diǎn) [36-41]

 

　　右眼6個(gè)點(diǎn) [42-47]

 

　　外嘴唇12個(gè)點(diǎn) [48-59]

 

　　內(nèi)嘴唇8個(gè)點(diǎn) [60-67]

 

　　有了這68個(gè)點(diǎn)，我們就可以輕松的知道眼睛和嘴巴在哪兒了，后續(xù)我們將圖片進(jìn)行旋轉(zhuǎn)，縮放和錯(cuò)切，使得眼睛和嘴巴盡可能的靠近中心。

 

　　現(xiàn)在人臉基本上對(duì)齊了，這使得下一步更加準(zhǔn)確。

 

　　第三步：給臉部編碼

 

　　我們還有個(gè)核心的問(wèn)題沒有解決， 那就是如何區(qū)分不同的人臉。

 

　　最簡(jiǎn)單的方法就是把我們第二步中發(fā)現(xiàn)的未知人臉與我們已知的人臉作對(duì)比。當(dāng)我們發(fā)現(xiàn)未知的面孔與一個(gè)以前標(biāo)注過(guò)的面孔看起來(lái)相似的時(shí)候，就可以認(rèn)定他們是同一個(gè)人。

 

　　我們?nèi)祟惸芡ㄟ^(guò)眼睛大小，頭發(fā)顏色等等信息輕松的分辨不同的兩張人臉，可是電腦怎么分辨呢？沒錯(cuò)，我們得量化它們，測(cè)量出他們的不同，那要怎么做呢？

 

　　實(shí)際上，對(duì)于人臉這些信息很容易分辨，可是對(duì)于計(jì)算機(jī)，這些值沒什么價(jià)值。實(shí)際上最準(zhǔn)確的方法是讓計(jì)算機(jī)自己找出他要收集的測(cè)量值。深度學(xué)習(xí)比人類更懂得哪些面部測(cè)量值比較重要。

 

　　所以，解決方案是訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)，訓(xùn)練讓它為臉部生成128個(gè)測(cè)量值。

 

　　每次訓(xùn)練要觀察三個(gè)不同的臉部圖像：

 

　　加載一張已知的人的面部訓(xùn)練圖像

 

　　加載同一個(gè)人的另一張照片

 

　　加載另外一個(gè)人的照片

 

　　然后，算法查看它自己為這三個(gè)圖片生成的測(cè)量值。再然后，稍微調(diào)整神經(jīng)網(wǎng)絡(luò)，以確保第一張和第二張生成的測(cè)量值接近，而第二張和第三張生成的測(cè)量值略有不同。

 

　　我們要不斷的調(diào)整樣本，重復(fù)以上步驟百萬(wàn)次，這確實(shí)是個(gè)巨大的挑戰(zhàn)，但是一旦訓(xùn)練完成，它能攻輕松的找出人臉。

 

　　慶幸的是 OpenFace 上面的大神已經(jīng)做完了這些，并且他們發(fā)布了幾個(gè)訓(xùn)練過(guò)可以直接使用的網(wǎng)絡(luò)，我們可以不用部署復(fù)雜的機(jī)器學(xué)習(xí)，開箱即用，感謝開源精神。

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　這128個(gè)測(cè)量值是什么鬼？

 

　　其實(shí)我們不用關(guān)心，這對(duì)我們也不重要。我們關(guān)心的是，當(dāng)看到同一個(gè)人的兩張不同照片時(shí)，我們的網(wǎng)絡(luò)需要能得到幾乎相同的數(shù)值。

 

　　第四步：從編碼中找出人的名字

 

　　最后一步實(shí)際上是最簡(jiǎn)單的一步，我們需要做的是找到數(shù)據(jù)庫(kù)中與我們的測(cè)試圖像的測(cè)量值最接近的那個(gè)人。

 

　　如何做呢，我們利用一些現(xiàn)成的數(shù)學(xué)公式，計(jì)算兩個(gè)128D數(shù)值的歐氏距離。

 

　　人臉識(shí)別的原理到底是什么？看完這篇文章你就知道！

 

　　這樣我們得到一個(gè)歐式距離值，系統(tǒng)將給它一個(gè)認(rèn)為是同一個(gè)人歐氏距離的閥值，即超過(guò)這個(gè)閥值我們就認(rèn)定他們是 同 (失) 一 (散) 個(gè) (兄) 人 (弟)。

　　人臉識(shí)別就這樣達(dá)成啦，來(lái)來(lái)我們?cè)倩仡櫹铝鞒蹋?/div>