人臉識別的原理揭秘

我們知道人臉識別在這幾年應用的相當廣泛，目前已有人臉考勤、人臉社交、人臉支付等一系列使用場景。“人臉識別”這項“黑科技”對生活中的各個領域都產(chǎn)生了非常重要的影響，特別這幾年機器學習的流行，使得人臉識別在應用和準確率更是達到了一個較高的水準。

下面將帶著大家揭秘下這項黑科技的原理。

人臉識別流程：

人臉識別是由以下步驟組成

利用HOG算法找出所有人臉。

對人臉進行l(wèi)andmark，對齊人臉。

利用神經(jīng)網(wǎng)絡找出人臉的特點，編碼人臉。

計算兩張人臉的歐氏距離，確定是否是同一人。

簡易流程圖如下：

第一步：找出所有面孔

很顯然在我們在人臉識別的流程中得首先找到圖片中的人臉。我們在使用手機或相機拍照時都會有人像模式，它能輕松的檢測出人臉的位置，幫助相機快速對焦。

對于找出圖片中的物體，我們統(tǒng)稱為 OD （Object Detection 物體檢測），物體檢測業(yè)界有很多優(yōu)秀的算法和框架可以使用，對于人臉檢測我們將使用一種叫做 HOG（Histogram of Oriented Gradients 方向梯度直方圖）的算法，它能夠檢測物體的輪廓。

首先我們把圖片灰度化，因為顏色信息對于人臉檢測而言沒什么用。

我們分析每個像素以及其周圍的像素，根據(jù)明暗度畫一個箭頭，箭頭的指向代表了像素逐漸變暗的方向，如果我們重復操作每一個像素，最終像素會被箭頭取代。這些箭頭被稱為梯度（gradients），它們能顯示出圖像從明亮到黑暗流動的過程。

分析每個像素對我們來說有點不劃算，因為它太過細節(jié)化了，我們可能會迷失在像素的海洋里，我們應該從更高的角度觀察明暗的流動。

為此我們將圖像分割成16x16像素的小方塊。在每個小方塊中，計算出每個主方向有多少個梯度（有多少指向上，指向右上，指向右等）。然后用指向性最強的那個方向箭頭來代替原來那個小方塊。

最終結(jié)果，我們把原始圖像轉(zhuǎn)換成一個非常簡單的HOG表達形式，它可以很輕松的捕獲面部的基本結(jié)構(gòu)。

為了在HOG圖像中找到臉部，我們需要做的是，與已知的一些HOG圖案中，匹配最相似的部分。這些HOG圖案都是重其他面部訓練數(shù)據(jù)中提取出來的。

第二步：臉部的不同姿勢

我們已經(jīng)找出了圖片中的人臉，那么如何鑒別面朝不同方向的人臉呢？

對于電腦來說，朝向不同的人臉是不同的識別內(nèi)容，為此我們需要適當?shù)恼{(diào)整扭曲圖片中的人臉，使得眼睛和嘴總是與被檢測者重疊。

為了達到目的我們將使用一種面部特征點估計（face landmark estimation）的算法。其實還有很多算法都可以做到，但我們這次使用的是由瓦希德·卡奇米（Vahid Kazemi）和約瑟菲娜·沙利文（Josephine Sullivan）在 2014 年發(fā)明的方法。

這一算法的基本思路是找到68個人臉上普遍存在的點（稱為特征點， landmark）

? 下巴輪廓17個點 ［0-16］

? 左眉毛5個點 ［17-21］

? 右眉毛5個點 ［22-26］

? 鼻梁4個點 ［27-30］

? 鼻尖5個點 ［31-35］

? 左眼6個點 ［36-41］

? 右眼6個點 ［42-47］

? 外嘴唇12個點 ［48-59］

? 內(nèi)嘴唇8個點 ［60-67］

有了這68個點，我們就可以輕松的知道眼睛和嘴巴在哪兒了，后續(xù)我們將圖片進行旋轉(zhuǎn)，縮放和錯切，使得眼睛和嘴巴盡可能的靠近中心。

現(xiàn)在人臉基本上對齊了，這使得下一步更加準確

第三步：給臉部編碼

我們還有個核心的問題沒有解決， 那就是如何區(qū)分不同的人臉。

最簡單的方法就是把我們第二步中發(fā)現(xiàn)的未知人臉與我們已知的人臉作對比。當我們發(fā)現(xiàn)未知的面孔與一個以前標注過的面孔看起來相似的時候，就可以認定他們是同一個人。

我們?nèi)祟惸芡ㄟ^眼睛大小，頭發(fā)顏色等等信息輕松的分辨不同的兩張人臉，可是電腦怎么分辨呢？沒錯，我們得量化它們，測量出他們的不同。那要怎么做，才能得出測量人臉的最可靠的方法？以及如何測量人臉的數(shù)值呢？例如耳朵大小、鼻子長度、眼睛的顏色。

實際上，人類對于人臉這些信息很容易分辨，可是對于計算機，這些信息沒什么價值。實際上最準確的方法是讓計算機自己找出他要收集的測量值。深度學習，比人類更懂得哪些面部測量值比較重要。

所以，解決方案是訓練一個深度卷積神經(jīng)網(wǎng)絡，訓練讓它為臉部生成128個測量值。

每次訓練要觀察三個不同的臉部圖像：

1. 加載一張已知的人的面部訓練圖像

2. 加載同一個人的另一張照片

3. 加載另外一個人的照片

然后，算法查看它自己為這三個圖片生成的測量值。再然后，稍微調(diào)整神經(jīng)網(wǎng)絡，以確保第一張和第二張生成的測量值接近，而第二張和第三張生成的測量值略有不同。

我們要不斷的調(diào)整樣本，重復以上步驟百萬次，這確實是個巨大的挑戰(zhàn)，但是一旦訓練完成，它能攻輕松的找出人臉。

慶幸的是 OpenFace 上面的大神已經(jīng)做完了這些，并且他們發(fā)布了幾個訓練過可以直接使用的網(wǎng)絡，我們可以不用部署復雜的機器學習，開箱即用，感謝開源精神。

這128個測量值是什么鬼？

其實我們不用關心，這對我們也不重要。我們關心的是，當看到同一個人的兩張不同照片時，我們的網(wǎng)絡需要能得到幾乎相同的數(shù)值。

第四步：從編碼中找出人的名字

最后一步實際上是最簡單的一步，我們需要做的是找到數(shù)據(jù)庫中與我們的測試圖像的測量值最接近的那個人。

如何做呢，我們利用一些現(xiàn)成的數(shù)學公式，計算兩個128D數(shù)值的歐氏距離

哈，這樣我們得到一個歐式距離值，系統(tǒng)將給它一個認為是同一個人歐氏距離的閥值，即超過這個閥值我們就認定他們是 同 （失） 一 （散） 個 （兄） 人 （弟）。

人臉識別就這樣達成啦，來來我們再回顧下流程：

使用HOG找出圖片中所有人臉的位置。

計算出人臉的68個特征點并適當?shù)恼{(diào)整人臉位置，對齊人臉。

把上一步得到的面部圖像放入神經(jīng)網(wǎng)絡，得到128個特征測量值，并保存它們。

與我們以前保存過的測量值一并計算歐氏距離，得到歐氏距離值，比較數(shù)值大小，即可得到是否同一個人。

人臉識別應用場景

人臉識別分兩大步驟，人臉檢測和人臉識別，它們應用場景也各不相同。

人臉檢測實質(zhì)上是實現(xiàn)找出人臉，得到人臉的位置的功能，我們可以在美顏，換膚，摳圖，換臉的一些場景中使用到它。我們可以通過系統(tǒng)API調(diào)用相機完成對預覽針的實時渲染，那些看上去的黑科技我們也可以玩啦。

人臉識別則可以應用在會員、支付等場景，帶給用戶更酷炫的使用體驗，大家快來試試吧。