人脸识别算法系列文章之facenet讲解

欢迎大家来到本次课程，本次课程所分享的内容为人脸识别算法。

我们看一下本次课程的目录

接下来我们开始吧，看一下主要的挑战。

人脸识别所面临的一个挑战就是你需要解决一次学习问题，这意味着在大多数人脸识别应用中，你需要通过单单一张图片或者单单一个人脸样例就能去识别这个人。

DeepFace是FaceBook提出来的，后续有DeepID和FaceNet出现。而且在DeepID和FaceNet中都能体现DeepFace的身影，所以DeepFace可谓是CNN在人脸识别的奠基之作，目前深度学习在人脸识别中也取得了非常好的效果。DeepFace在进行人脸识别的过程中采用的是人脸检测——3D对齐——CNN提取特征——分类的过程。

C1：卷积层，卷积核尺寸11*11，共32个卷积核

M2：池化层，最大池化3*3，即stride = 2

C3：卷积层，卷积核尺寸9*9   ，共16个卷积核

L4： 卷积层，卷积核尺寸9*9   ，共16个卷积核。L表示local，意思是卷积核的参数不共享

L5： 卷积层，卷积核尺寸7*7   ，共16个卷积核。L表示local，意思是卷积核的参数不共享

L6： 卷积层，卷积核尺寸5*5   ，共16个卷积核。L表示local，意思是卷积核的参数不共享

F7： 全连接，4096个神经元

F8： 全连接，4030个神经元

FaceNet算法的提出:由Google工程师Florian Schroff，Dmitry Kalenichenko，James Philbin提出的人脸识别模型，发表于CVPR 2015。

FaceNet的特点：没有用传统的softmax的方式去进行分类学习，而是抽取其中某一层作为特征，学习一个从图像到欧式空间的编码方法，然后基于这个编码再做人脸识别、人脸验证和人脸聚类等。

1.通过MTCNN人脸检测模型，从照片中提取人脸图像。

2.把人脸图像输入到FaceNet，计算Embedding的特征向量。

3.比较特征向量间的欧式距离，判断是否为同一人，例如当特征距离小于1的时候认为是同一个人，特征距离大于1的时候认为是不同人。

网络结构1

网络结构2