機器學習之機器是如何識別人臉(Face Recognition)的？

目前，一些機器學習技術已經被廣泛應用于人臉識別、人臉支付以及身份認證領域，例如支付寶的FACEID，阿里的Alipay，ETC等等。

這個領域內的算法多以傳統的Eigen Face, LBP Face, Adaboost為主，面對一張人臉時，我們首先要進行的是進行人臉特征的提取，比如鼻子、眼睛等，之后對這些特征進行分析比對，確認人物基本信息。而機器主要是通過數學模型學習輪廓、紋理等細節，將機器提取出來的細節(特征提取，Feature extraction)輸入到分類模型中進行分類（分類，Classification)，從而識別人臉。

以卷積神經網絡為例，在提取了大量的基本信息之后：

1、Input Image - > Detect

這一步我們做的主要是將原始圖像輸入去detect，讓機器提取一些關鍵點。

2、Detect - > Transform - > Crop

這一步要做的事情就是要檢測人臉中的關鍵點，然后根據這些關鍵點對人臉做對齊校準。比如原先人臉可能比較歪，根據關鍵點使用仿射變換將人臉統一“擺正”，盡量去消除姿勢不同帶來的誤差。這一步一般叫Face Alignment。

3、Crop - > Representation

這一步就是使用深度卷積網絡，將輸入的人臉圖像，轉換成一個向量的表示。

在理想的狀況下，我們希望“向量表示”之間的距離就可以直接反映人臉的相似度：

1)對于同一個人的人臉圖像，對應的向量的歐幾里得距離應該比較小。
2)對于不同人的人臉圖像，對應的向量之間的歐幾里得距離應該比較大。

4、實際應用

1)N:1(驗證你是誰)：給定一張圖片或識別一張人臉，檢測數據庫中與之最相似的人臉。
2)1:1(驗證你是不是你):只需比對采集的圖像特征和數據庫中你的特征即可。

5、對于圖像有噪音干擾（用GAN）

1）有遮擋
2）化妝，整容

早期傳統的人臉識別模型其實是沒有辦法對抗這些干擾項的，但現在可以利用對抗模型(Generative Adversarial Network,GAN )對圖像進行還原，然后再進行識別即可。GAN的基本原理是生成器(Generator)和判別器(Discriminator)相互博弈達到動態平衡的過程，Generator用于生成仿真樣本，Discriminator用于鑒定生成的樣本，生成的樣本足夠真實就會欺騙Discriminator，因此兩者必須同等優秀，需要有各自獨立的神經網絡模型，并且能夠利用LOSS實現自我優化。

一個有趣的關于GAN的例子是假鈔的制作：

Generator:制造假鈔的人
Discriminator:警察

a）制造假鈔的人生產假鈔
b）警察判斷是否是假鈔,如果認為是假鈔,說明假鈔與真鈔存在區別
c）制造假鈔的人按照警察給出的反饋改進假鈔制造工藝

重復以上3個步驟,直到警察無法區分假鈔和真鈔為止。

訓練GAN的基本步驟:
1.對噪聲集和實際數據集進行采樣，選擇m個。
2.使用這些數據訓練判別器。
3.采樣大小為m的不同的噪聲集。
4.在此數據上訓練生成器。
從步驟1開始重復。

總結

以上是生活随笔為你收集整理的机器学习之人脸识别(Face Recognition)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。