Awesome Computer Vision, 做计算机视觉的程序员

前面的文章我们介绍了整个系统里的关键步骤，基于这些步骤我们就可以搭建出属于自己的人脸识别系统了。下面从软件的角度讲解实现的功能。本软件是基于开源的模型实现的一套动态人脸识别系统，该人脸系统会对人脸进行跟踪，并选择最优帧进行人脸识别，并统计人员出现的次数。

除了上文提到的，还有一些其他的逻辑，如将抓拍照放到底库等，都要根据实际来调整。至此，这个系列中的算法部分就讲完了，后面再介绍一下这个系统的使用就算阶段性结束了。

这里我们简要介绍了人脸比对中的一些概念。

这里我们简要介绍了人脸识别技术的发展过程和主要的一些方法，这里只是一些宽泛的介绍，更深入的算法理解还需要自行阅读论文，可以阅读上述的综述。

继续填坑，之前已经讲了人脸检测，，人脸检测是定位出画面中人脸的位置，理论上把检测到的人脸进行提特征就能做人脸识别了，不过直接这样做是有缺陷，一是存在很大的资源浪费，毕竟同一个人出现在画面，我们实际上应该只需要做一次识别就知道他的身份（理想情况下），而不需要每一帧都去做；二是如果对每一帧都进行独立的检测->识别，就会出现频繁的事件，不利于业务的开发。

这篇我们简要介绍了一下人脸质量评估，不过笔者在这方面涉猎也不深，只是做个简单的总结，需要深入做还是有不少工作。

人脸对齐（face alignment）或者人脸关键点（face alignment）是定位人脸上的关键点，是很多基于人脸的任务的前置步骤，比如人脸识别、表情分析、人脸变装（makeup）等。人脸对齐有2D和3D对齐，本篇主要讲2D对齐。人脸姿态对齐：人脸识别等算法都需要对人脸的姿态进行对齐从而提高模型的精度。人脸美颜与编辑：基于关键点可以精确分析脸型、眼睛形状、鼻子形状等，从而对人脸的特定位置进行修饰加工，实现人脸特效美颜，贴片等娱乐功能。

进行人脸识别首要的任务就是要定位出画面中的人脸，这个任务就是人脸检测。人脸检测总体上算是目标检测的一个特殊情况，但也有自身的特点，比如角度多变，表情多变，可能存在各类遮挡。早期传统的方法有Haar Cascade、HOG等，基本做法就是特征描述子+滑窗+分类器，随着2012年Alexnet的出现，慢慢深度学习在这一领域开始崛起。算法和硬件性能的发展，也让基于深度学习的人脸识别不仅性能取得了很大的提升，速度也能达到实时，使得人脸技术真正进入了实用。

人脸识别已经发展了很多年，随着深度学习发展，开源的模型也有很不错的效果了。我们可以在不需要深入各种算法细节的情况下，就能搭建自己的人脸识别系统了，除了用于学习，还可以将我们自己家的摄像头接入到我们自己搭的系统，真正用起来。这个专栏就基于这样一个设想，从开源的模型中寻找适合的算法，一步步搭建一个实时的人脸识别系统出来。