利用人臉特徵提取DeepID--解讀世紀晟人臉識別

概述：
DeepID的目標是人臉驗證（判斷兩張圖片是不是一我的），同時衍生出人臉識別（屢次人臉驗證）。

DeepID採用增大數據集的方法：

增長新的數據，celebFaces（87628張圖片，5436我的），celebFaces+（202599張圖片，10177我的）；
裁剪圖片，多區域、多尺度、多通道裁剪，而後將計算的向量組合，使用PCA降維
DeepID是一種特徵提取的算法，這種網絡一經訓練好後，能夠提取出輸入人臉圖片的深層次特徵——

DeepID也是多個特徵的融合體，你能夠理解爲DeepID對人臉上的不少關鍵區域都訓練了一個 CNN 網絡，去作分類，獲得隱層特徵，把這些特徵拼接在一塊兒，再作某種意義上的降維，獲得最終特徵，用這個特徵來作描述，世紀晟科技人臉識別就能夠很是有效地完成多分類任務。

DeepID網特徵提取+softmax分類：
下圖就是這個特徵提取DeepID網+softmax分類的示意圖。

softmax這個分類器能夠說是我們深度學習領域最多見的一個分類器了，若是你們對邏輯迴歸有基礎的話，那麼這個softmax分類器能夠當成一個多分類的邏輯迴歸。
每層的數字表示的是每一個卷積網絡神經元的數量，隨着層數的增長，神經元的數量會減小。

DeepNets的訓練過程：

一個DeepID網（就是前面的120個之一）包含4個卷積層（每個都帶有最大池化層）以及一個全鏈接層（也就是DeepID的160維特徵），在訓練網絡時後面還要加上softmax層，否則不能給標籤無法訓練了，固然訓練出網絡後在測試數據上能夠不加softmax，只到全鏈接層後就直接使用特徵。

人臉的特徵提取：

對於一張人臉圖片，在通過人臉檢測和人臉對齊以後，做者按照瞳孔和嘴的位置對全部訓練樣本進行了對齊（保證後面的切片工做是同一尺度下的），而後根據特徵點的位置，進行了切塊提取，下圖上半部分就是對一張人臉在10個位置下的提取，而後每個位置的切塊提取還會有三個不一樣的尺度，這就獲得了同一張人臉的30個不一樣的部位人臉圖

有了30個不一樣部位人臉圖後，固然此時着30個不一樣部位人臉圖還都是RGB圖像，咱們還須要灰度圖像上的特徵，所以每個部位圖還要有一份灰度圖版的，所以30又翻個倍，變成了60

下面把DeepID特徵可視化的結果，也是能夠挺明顯的看出不一樣人臉提取的特徵不同