人脸识别算法简介——2020.2.7

一、人脸识别应用介绍

    如今流行的生物特征识别技术及市场占比：

下图为常用的生物特征识别的差异性对比：

人脸识别应用案例

1. 1:1识别——用户登录等。
2. 1：N（N≈10^3）识别——企业考勤等。
3. 1：N（N>10^9）识别——智能寻亲，通过某年龄段照片，对比监控数据；抓捕逃犯等。

二、人脸识别发展：

（一）前深度学习时代

    前深度学习时代的处理步骤如下：

• Eigen Face （特征脸），找到低维空间。
  
• 训练集包含p张人脸图片
  
• 平均人脸图像
  
• 将训练集中的人脸图像减去平均人脸图像
  
• 求协方差矩阵
  
  Eigen Face （特征脸）缺陷
• 特征表达能力有限
• 只适合小数据库

（二）深度学习时代

    深度学习时代，人脸识别的过程如下：

    其中，人脸识别主要面临尺度、肤色、 遮挡 、角度 、光照等一系列问题。
    深度学习人脸检测步骤：

1. 回归
   
2. Proposal + 分类+合并
   
3. Proposal + 分类 （多尺度）
   
4. 合并：非极大值抑制
   
   
       遍历其余的框，如果和当前最高分框的重叠面积(IOU)大于一定阈值，我们就将框删除。

特征学习

1. 分类模型

• Deepface
• DeepID
• VGG
• ResNet
  

2. 度量学习模型
   

三、学习总结：

    今天主要了解了人脸识别概述及相关模型，明天在了解具体的人脸识别算法及其差异性。