DeepId人脸识别算法学习

DeepID的目标是人脸验证（判断两张图片是否是一个人），同时衍生出人脸识别（多次人脸验证）。使用近期比较火的卷积神经网络学习特征，输入一张图片，产出160维的特征向量，然后使用现成的浅层机器学习组合贝叶斯进行分类。由于卷积神经网络计算的特征紧凑且区分度大，所以得到的效果较好。同时，为了得到更好的效果，DeepID采用增大数据集的方法，一是增加新的数据，celebFaces（87628张图片，5436个人），celebFaces+（202599张图片，10177个人）；二是裁剪图片，多区域、多尺度、多通道裁剪，然后将计算的向量组合，使用PCA降维。

1.DeepID流程

图1
图1描述的是特征提取的过程，每层的数字表示的是每个卷积网络神经元的数量，随着层数的增加，神经元的数量会减少，最终产出160维度的向量。

2.DeepID网络结构

图2 网络结构

图2描述的是DeepID的网络结构，和卷积神经网络的结构类似，却别在于倒数第二层的DeepID层，同时和最后第四层的卷基层和第三层的Max-pooling层全连接，层数越高对于特征的概括越高（视野越大），包含的神经元也越少，容易造成信息损失，加上第三层的的特征，降低了信息损失。

3.DeepID实验

DeepID使用CelebFaces数据集，包含87628张图片，5436个人，采用80%即4349个人作为卷积神经网络的训练集，其余20%用于识别模型训练。
在特征提取过程中，首先检测5个人脸特征点，即两个眼睛中心点，1个鼻子和2个嘴巴边界点，基于两眼的中心和嘴边界两个点的中心做对其。然后将人脸分成60个patch，