我們知道人臉識別在這幾年應(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，使得人臉識別在應(yīng)用和準(zhǔn)確率更是達(dá)到了一個較高的水準(zhǔn)。

 

 

　　人臉識別是由一系列的幾個相關(guān)問題組成的：

 

　　首先找到一張圖片中的所有人臉。

 

　　對于每一張臉來說，無論光線明暗或面朝別處，它依舊能夠識別出是同一個人的臉。

 

　　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，以確定這個人是誰。

 

 

　　很顯然在我們在人臉識別的流程中得首先找到圖片中的人臉。我們在使用手機(jī)或相機(jī)拍照時都會有人像模式，它能輕松的檢測出人臉的位置，幫助相機(jī)快速對焦。

 

　　人臉識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相機(jī)上運(yùn)行的人臉檢測方法，人臉檢測在相機(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，一種能夠檢測物體輪廓的算法。

 

　　首先我們把圖片灰度化，因?yàn)轭伾畔τ谌四槞z測而言沒什么用。

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

　　我們分析每個像素以及其周圍的像素，根據(jù)明暗度畫一個箭頭，箭頭的指向代表了像素逐漸變暗的方向，如果我們重復(fù)操作每一個像素，最終像素會被箭頭取代。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的過程。

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

　　分析每個像素對我們來說有點(diǎn)不劃算，因?yàn)樗^細(xì)節(jié)化了，我們可能會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。

 

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

　　人臉識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)換成一個非常簡單的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？

 

　　對于電腦來說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個人臉上普遍存在的點(diǎn)（稱為特征點(diǎn)， landmark）。

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

　　下巴輪廓17個點(diǎn) [0-16]

 

　　左眉毛5個點(diǎn) [17-21]

 

　　右眉毛5個點(diǎn) [22-26]

 

　　鼻梁4個點(diǎn) [27-30]

 

　　鼻尖5個點(diǎn) [31-35]

 

　　左眼6個點(diǎn) [36-41]

 

　　右眼6個點(diǎn) [42-47]

 

　　外嘴唇12個點(diǎn) [48-59]

 

　　內(nèi)嘴唇8個點(diǎn) [60-67]

 

　　有了這68個點(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

 

　　我們還有個核心的問題沒有解決， 那就是如何區(qū)分不同的人臉。

 

　　最簡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比。當(dāng)我們發(fā)現(xiàn)未知的面孔與一個以前標(biāo)注過的面孔看起來相似的時候，就可以認(rèn)定他們是同一個人。

 

　　我們?nèi)祟惸芡ㄟ^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，我們得量化它們，測量出他們的不同，那要怎么做呢？

 

　　實(shí)際上，對于人臉這些信息很容易分辨，可是對于計(jì)算機(jī)，這些值沒什么價值。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量值。深度學(xué)習(xí)比人類更懂得哪些面部測量值比較重要。

 

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

 

　　每次訓(xùn)練要觀察三個不同的臉部圖像：

 

　　加載一張已知的人的面部訓(xùn)練圖像

 

　　加載同一個人的另一張照片

 

　　加載另外一個人的照片

 

　　然后，算法查看它自己為這三個圖片生成的測量值。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量值接近，而第二張和第三張生成的測量值略有不同。

 

　　我們要不斷的調(diào)整樣本，重復(fù)以上步驟百萬次，這確實(shí)是個巨大的挑戰(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)布了幾個訓(xùn)練過可以直接使用的網(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。

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

　　這128個測量值是什么鬼？

 

　　其實(shí)我們不用關(guān)心，這對我們也不重要。我們關(guān)心的是，當(dāng)看到同一個人的兩張不同照片時，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)際上是最簡單的一步，我們需要做的是找到數(shù)據(jù)庫中與我們的測試圖像的測量值最接近的那個人。

 

　　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128D數(shù)值的歐氏距離。

 

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

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

　　人臉識別就這樣達(dá)成啦，來來我們再回顧下流程：

 

　　使用HOG找出圖片中所有人臉的位置。

 

　　計(jì)算出人臉的68個特征點(diǎn)并適當(dāng)?shù)恼{(diào)整人臉位置，對齊人臉。

 

　　把上一步得到的面部圖像放入神經(jīng)網(wǎng)絡(luò)，得到128個特征測量值，并保存它們。

 

　　與我們以前保存過的測量值一并計(jì)算歐氏距離，得到歐氏距離值，比較數(shù)值大小，即可得到是否同一個人。

 

 

　　人臉識別分兩大步驟，人臉檢測和人臉識別，它們應(yīng)用場景也各不相同。

 

　　人臉識別的原理到底是什么？看完這篇文章你就知道！

 

　　人臉檢測目的是找出人臉，得到人臉的位置，我們可以在美顏，換膚，摳圖，換臉 的一些場景中使用到它。我們可以通過系統(tǒng)API調(diào)用相機(jī)完成對預(yù)覽針的實(shí)時渲染，那些看上去的黑科技我們也可以玩啦。