第五：人脸识别算法课程系列文章-Facenet算法

大家好，欢迎大家来到本节课。本次课给大家分享人脸识别的算法。从这里开始，我们就先看一下人脸识别算法所面临的挑战吧。

●人脸验证( Face Identifcation)。就是检测A、B是否属于同一个人。只需要计算向量之间的距离，设定合适的报警阈值( threshold )即可。

●人脸识别( Face Recognition)。这个应用是最多的，给定一-张图片，检测数据库中与之最相似的人脸。显然可以被转换为一个求距离的最近邻问题。

●人脸聚类( Face Clustering) 。在数据库中对人脸进行聚类，直接用K-Means即可。

看一下之前提出的人脸是被算法deepface。

其实，这个就类似于聚类算法中的，缩小类内距离，扩大类间距离。论文中指出，把阈值设置为1.1时，对人脸的分类效果是最好的。

如果把阈值设置为1.1，那么在第一行的两张图片是同一个人，第二行的两张图片也是同一个人，第三行的两张图片也是同一个人。

如果竖着看，因为两张图片之间的距离阈值都大于1.1，所以被判断为不是同一个人。

算法的整个训练过程就在于此。

算法模型的整体结构是什么样的呢？

算法模型的结构如下：主要是由一个batch输入层和一个深度卷积神经网络组成，这个深度卷积神经网路指的是用于提取特征的Googlenet，然后进行L2归一化，然后得到的是一个嵌入的人脸特征，最后欧式距离计算人脸特征之间的差异，将这些差异组成一个三元组损失函数，就可以利用这个损失函数来训练这个神经网络模型。

如果这么细分为五个步骤，其实还是很好理解的。

我们通过一张图来看一下，绿色的范围指的是同一类，到了红色的范围，就不是同一类

这其实是这个论文里的诠释

论文中指出，这里需要最小化anchor与正样本之间的距离，最大化anchor与负样本之间的距离。其实他的核心就是缩小类内距离，扩大类间距离。

从PPT下方我们就可以看出，加入了α之后，anchor与负样本之间的距离变大了，这就使得anchor与正样本之间的距离缩小了。

在模型算法训练好之后，实际当中，算法是怎么进行对比的呢？

其实是这样的，输入一张人脸的图片，同样是经过算法进行特征提取，使用得到的特征向量进行计算欧式距离，判断是不是同一人。

这就是使用的一个深度卷积神经网络，这个网络使用了1*1,3*3,7*7的卷积核，这也是这篇文章的创新之一，这几个卷积分别有他们的作用，作者通过对卷积的改进，起到减少参数量的作用，这样是可以提高运算速度的。

这个表格，说明了每个inception模块的参数设置，这个其实是和下面这个网络是一样的，具体是不是一样的，其实还是要去对照一下的，

这张图的网络结构比起上一张来看可以更加直观的理解这个模型。

人脸聚类是什么呢？

人脸聚类就是将提取到相近的特征的图片都聚集在一起，这和单纯的人脸验证相比，效果更佳惊人。从聚类效果来看，这对头部姿势变化，年龄阶段不同，遮挡不同，光照条件变化，人脸表情变化具有鲁棒性。