Question

深度学习是怎么识别人脸的

Answer 1

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据。

卷积神经网络(CNN)

局部连接

传统的神经网络是全连接，即一层的神经元与上一层的所有神经元都建立连接，这样导致参数非常多，计算量非常大，而CNN是局部连接，一层的神经元只与上一层的部分神经元建立连接，这样可以减少参数和计算量。

Technology-MachineLearning-FaceRegonition-CNN-LocalConnected

权值共享

给一张输入图片，用一个filter去扫时，filter里面的数就叫权重。用该filter对整个图片进行了某个特征的扫描，例如Edge detection，这个过程就是权值共享，因为权重不变。

Technology-MachineLearning-FaceRegonition-CNN-WeightSharing

人脸识别

多个CNN加其他层，遍历而成的人脸识别处理结构：

Technology-MachineLearning-FaceRegonition-CNN-Example

层提取到的信息的演进：

Technology-MachineLearning-FaceRegonition-CNN-Example2

人脸检测

传统算法

识别:滑动窗口+分类器

用一个固定大小的窗口去滑动扫描图像，并通过分类器去分辨是否是人脸。有时候人脸在图片中过小，所以还要通过放大图片来扫描。

Technology-MachineLearning-FaceRegonition-Window&Classifier

训练:特征+Adaboost

传统特征:LBP/HOG/Harr

图片原始的RGB信息，维度太高，计算量过大，且不具备鲁棒性，即光照和旋转，对RGB信息影响非常大。

利用LBP得到二进制值，再转换成十进制:

Technology-MachineLearning-FaceRegonition-LBP

效果图：

Technology-MachineLearning-FaceRegonition-LBP-Example

Adaboost

由于移动设备对计算速度有一定要求，所以用多个弱分类器加权叠加来完成一个强分类器，从而保证速度。

Technology-MachineLearning-FaceRegonition-Adaboost

深度学习

特征的选取是比较复杂的，可能需要大量的统计学和生物学知识积累，而深度学习不需要选择特征，这是其很大优势，另外通过GPU代替CPU等方式，可以得到一个更好的效果。

Technology-MachineLearning-FaceRegonition-DeepLeaning-Example

关键点检测、跟踪

传统算法

Cascade regression/ESR/SDM

传统算法步骤：

根据人脸检测的框位置，先初始化初始脸部轮廓位置;

进行上一步位置和图形特征检测下一步位置(一般是迭代残差);

进行迭代，最终得到相对准确的轮廓位置。

Technology-MachineLearning-FaceRegonition-KeyPoints

深度学习

深度学习算法步骤：

对图像进行轮廓定位态校正;

全局粗定位;

局部精细定位。

作者：YI_LIN
来源：简书