利用人脸特征提取DeepID--解读世纪晟人脸识别

概述：
DeepID的目标是人脸验证（判断两张图片是不是一我的），同时衍生出人脸识别（屡次人脸验证）。

DeepID采用增大数据集的方法：

增长新的数据，celebFaces（87628张图片，5436我的），celebFaces+（202599张图片，10177我的）；
裁剪图片，多区域、多尺度、多通道裁剪，而后将计算的向量组合，使用PCA降维
DeepID是一种特征提取的算法，这种网络一经训练好后，能够提取出输入人脸图片的深层次特征——

DeepID也是多个特征的融合体，你能够理解为DeepID对人脸上的不少关键区域都训练了一个 CNN 网络，去作分类，获得隐层特征，把这些特征拼接在一块儿，再作某种意义上的降维，获得最终特征，用这个特征来作描述，世纪晟科技人脸识别就能够很是有效地完成多分类任务。

DeepID网特征提取+softmax分类：
下图就是这个特征提取DeepID网+softmax分类的示意图。

softmax这个分类器能够说是我们深度学习领域最多见的一个分类器了，若是你们对逻辑回归有基础的话，那么这个softmax分类器能够当成一个多分类的逻辑回归。
每层的数字表示的是每一个卷积网络神经元的数量，随着层数的增长，神经元的数量会减小。

DeepNets的训练过程：

一个DeepID网（就是前面的120个之一）包含4个卷积层（每个都带有最大池化层）以及一个全链接层（也就是DeepID的160维特征），在训练网络时后面还要加上softmax层，否则不能给标签无法训练了，固然训练出网络后在测试数据上能够不加softmax，只到全链接层后就直接使用特征。

人脸的特征提取：

对于一张人脸图片，在通过人脸检测和人脸对齐以后，做者按照瞳孔和嘴的位置对全部训练样本进行了对齐（保证后面的切片工做是同一尺度下的），而后根据特征点的位置，进行了切块提取，下图上半部分就是对一张人脸在10个位置下的提取，而后每个位置的切块提取还会有三个不一样的尺度，这就获得了同一张人脸的30个不一样的部位人脸图

有了30个不一样部位人脸图后，固然此时着30个不一样部位人脸图还都是RGB图像，咱们还须要灰度图像上的特征，所以每个部位图还要有一份灰度图版的，所以30又翻个倍，变成了60

下面把DeepID特征可视化的结果，也是能够挺明显的看出不一样人脸提取的特征不同