人脸识别,人脸识别基于什么算法
一、DeepID学习基于Caffe的DeepID2，喵耳博客将于2016年10月实现。让你的Caffe对应python层，屏蔽下面的配置，然后重新编译。不过还是直接修改Caffe比较好。
修改的目的主要是为了适应两幅图像的输入。我实现了两层：ContrastiveLossLayer和LocalNormalization。新咖啡馆似乎有这两层。实现了FaceVerification部分。deep Face-脸书人脸识别时宇博客2015.7 facenet-谷歌人脸识别时宇博客2015.6DeepID人脸识别算法第三代时宇博客2014.12使用Caffe重现DeepID网络轮廓，训练和验证数据组织。这个实验中只有95.45%的单个模型主要是人脸分类，而不是人脸识别。055-79000读书报告包括两个阶段。一种是通过多层卷积网络提取输入人脸面片的特征。一种是通过FaceVerification输入两张人脸图像，利用多层神经网络或贝叶斯判断两张人脸图像是否来自同一个人。基于Caffe的DeepID人脸识别的爱程序网，准确率只有82%，有点低。但是博客提供了面部识别的python程序。训练模式不实现FaceVerification部分。
out=net.forward_all(data_1=x))
feature 1=NP . shape(feature 1，(test_num，160))
out=net.forward_all(data_1=x))
ea ture 2=NP . float 64(out( deep id _ 1 )))).) ) )。
mt=pw.pairwise _ distances(要素1，要素2，公制=公制).
上面代码的关键是从deepid层读取面部特征。作者使用的是人脸检测、特征点检测、对齐的快捷工具FaceToolsDEEPID:不带VeryDeepNewalNetworks的人脸识别2016年2月3日Softmax Loss函数，ICML2016。这篇论文是2016年的ECCV，一种用于人脸识别的描述性特征学习方法。也是深圳先进院gddnp教师群的文章。无论是思想还是效果都很棒。整个过程就是读取输入图像，向前传播，利用softmax loss center loss学习歧视行为，预测标签。
Softmaxloss有分成两类的效果，center loss有减少和增加类间距离的效果。非常相似。这就是线性判别分析LDA(lineardiscriminantanalysis)的思想。其效果优于对比度损失法和三重损失法，并解决了这两种方法在采样问题上的难题。
关键点是centerloss的思想
通过查看deploy.prototxt和fac_train_test.prototxt的结构，我们发现使用了ResNet。作者的奋斗信封主页github II。人脸检测对齐工具上面代码的关键是从deepid层读取人脸特征。作者选用【人脸检测，特征点检测，对齐快捷face tools】kpthing 93/mt CNN _ face _ detection _ alignment，对应的pythoncaffe版本duino du/作者把源代码的缩放函数双线性改成双三次，需要时间，可以第二次识别右边第二个小人的人脸。MTCNN python的版本代码有问题。一个人脸部的方框在demo.py上画了两次，第一次画的时候坐标顺序错了。在MTCNN python版本代码中，pad函数不会将box浮点数转换为整数，但会报告警告。修改如下：Boxes=NP.array(Boxesa.copy)，dtype=int)，dx=NP.ones) numbox，dtype=int)。人脸的数据集百度云是地标人脸定位，包括名人人脸数据、跨年龄人脸识别、部分数据跨年龄celebritydataset(CACD)人脸姿态估计和多姿态定位。skimage api文档MatLab的cp2tform帮助文档更详细的介绍了人生第一次像blog一样的opencv仿射变换。
介绍了各种变换算法。比如相似性仿射多项式。matlab2tform函数的研究，在caff-face的extractDeepFeature.m代码中使用了CP 2 tform和intransform两个函数进行人脸对齐。cp2tform函数是根据人脸的五个标记点和标准的五个点作为输入，计算(相似度)变换矩阵。矩阵的变换公式为：
[uv]=[xy1]scsctxassassty
矩阵有五个参数待定，所以至少需要两对原点和目标点(至少会生成四个方程)。参数A为1或-1，表示是否镜像。如果镜像坐标和目标坐标之间的误差范数很小，则为-1。cp2tform的求解过程是：
U=xrr=inv (x) U SK图像的变换包含测试代码，简单易学。也有来自programtalk网站的例子，来自kaggle diabetic。最终的编程代码包括wrap应用tform进行转换。博客中的相似性应用实例。《YOLO论文的总结与实践》是偶然发现的关于目标探测的最新顶级论文，比R-CNN更新。提出了一种新的目标检测方法——YOLO。以往对目标检测的研究大多是改进检测用分离器。我们将目标检测视为一个回归问题，将空间划分为包围盒和相应类别的概率。我们使用一个独立的网络直接从整个图像预测包围盒和类别的概率。由于整个检测在一个网络中，可以直接优化端到端的检测性能。
关键点两个，将检测当作回归问题，直接优化端端性能。
camel 007/Caffe-YOLO-人脸检测，YOLO系列博客，小杨_ III。实现人脸比对的思路分为两个模型，一个是人脸特征识别模型，一个是人脸特征比对模型。首先利用人脸特征识别模型学习提取人脸特征模型，如DeepID；其次，使用人脸特征比较模型来学习如何比较两个人脸特征。最简单的比较可以用免费草莓距离比较。其实《Deep Learning Face Representaion from Predicting 10000 Classes》的读书报告已经说了这个方法，只是我当时没看懂！深度学习与人脸识别系列(三)基于VGGNet的人脸识别系统
，wjmishuai博客，直接给出训练好的人脸识别模型，好像超过500 m. Gface网络参数描述博客。另一个wjmishuai的实时摄像头人脸识别博客，有详细的python代码，深度学习与人脸识别系列(6)利用训练好的vgg模型进行人脸识别(利用摄像头)，VggFace python解决问题，CV2。CVTColor (IMG，CV2.color _ RGB2BGR)，IMG=IMG [:-1]
