Iphone X的發(fā)布，革命性的取消了TouchID（指紋識別），而添加了更酷的 FaceID(人臉識別) 模塊，F(xiàn)aceID 不簡單的運用在解鎖上，還可以在支付，表情等場景中應用，給開發(fā)者帶來更酷更豐富的應用，Iphone X 在多個硬件傳感器的加持下，可以采集3萬個點來感知用戶的面部特征。

我們知道人臉識別在這幾年應用相當廣泛，人臉考勤，人臉社交，人臉支付，哪里都有這黑科技的影響，特別這幾年機器學習流行，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。另外如果你想要系統(tǒng)地學習人工智能，那么推薦你去看床長人工智能教程。非常棒的大神之作。教程不僅通俗易懂，而且很風趣幽默。點擊這里可以查看教程。

1、人臉識別流程

人臉識別是由一系列的幾個相關問題組成的：

1. 首先找到一張圖片中的所有人臉。
2. 對于每一張臉來說，無論光線明暗或面朝別處，它依舊能夠識別出是同一個人的臉。
3. 能夠在每一張臉上找出可用于他人區(qū)分的獨特之處，比如眼睛多大，臉有多長等等。
4. 最后將這張臉的特點與已知所有人臉進行比較，以確定這個人是誰。

第一步：找出所有的面孔

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。

我們得感謝 保羅·比奧拉（Paul Viola）和邁克爾·瓊斯（Michael Jones）在2000年發(fā)明了一種能夠快速在廉價相機上運行的人臉檢測方法，人臉檢測在相機上的應用才成為主流。然而現(xiàn)在我們有更可靠的解決方案HOG（Histogram of Oriented Gradients）方向梯度直方圖，一種能夠檢測物體輪廓的算法。

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剃度（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。

最終結果，我們把原始圖像轉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構。

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，看起來最相似的部分。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東西，為此我們得適當?shù)恼{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，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。

我們人類能通過眼睛大小，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，那要怎么做呢？

實際上，對于人臉這些信息很容易分辨，可是對于計算機，這些值沒什么價值。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網絡，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，稍微調整神經網絡，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。

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{整人臉位置，對齊人臉。

把上一步得到的面部圖像放入神經網絡，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。

2、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。

人臉檢測目的是找出人臉，得到人臉的位置，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。

當前名稱：人臉識別的原理是什么？
文章源于：http://www.rwnh.cn/news7/103607.html

成都網站建設公司_創(chuàng)新互聯(lián)，為您提供品牌網站建設、網站改版、域名注冊、網站收錄、企業(yè)建站、網站策劃

廣告

聲明：本網站發(fā)布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創(chuàng)新互聯(lián)