本文中，笔者将介绍OpenFace中实现人脸识别的pipeline，这个pipeline可以看做是使用深度卷积网络处理人脸问题的一个基本框架，很有学习价值，它的结构如下图所示：
Input Image -> Detect
输入：原始的可能含有人脸的图像。
输出：人脸位置的bounding box。
这一步一般我们称之为“人脸检测”（Face Detection），在OpenFace中，使用的是dlib、OpenCV现有的人脸检测方法。此方法与深度学习无关，使用的特征是传统计算机视觉中的方法（一般是Hog、Haar等特征）。
对人脸检测这一步感兴趣的可以参考下列资料：
Detect -> Transform -> Crop
输入：原始图像 + 人脸位置bounding box
输出：“校准”过的只含有人脸的图像
对于输入的原始图像 + bounding box，这一步要做的事情就是要检测人脸中的关键点，然后根据这些关键点对人脸做对齐校准。所谓关键点，就是下图所示的绿色的点，通常是眼角的位置、鼻子的位置、脸的轮廓点等等。有了这些关键点后，我们就可以把人脸“校准”，或者说是“对齐”。解释就是原先人脸可能比较歪，这里根据关键点，使用仿射变换将人脸统一“摆正”，尽量去消除姿势不同带来的误差。这一步我们一般叫Face Alignment。
在OpenFace中，这一步同样使用的是传统方法，特点是比较快。
Crop -> Representation
输入：校准后的单张人脸图像
输出：一个向量表示。
这一步就是使用深度卷积网络，将输入的人脸图像，转换成一个向量的表示。在OpenFace中使用的向量是128x1的，也就是一个128维的向量。
我们可以先看一下VGG16的模型：
VGG16是深度学习中一个比较简单的基本模型。输入神经网络的是图像，经过一系列卷积后，全连接分类得到类别概率。
在通常的图像应用中，我们可以去掉全连接层，用计算的特征（一般就是卷积层的最后一层，e.g. 图中的conv5_3）来当作提取的特征进行计算。但如果对人脸识别问题同样采用这样的方法，即，使用卷积层最后一层做为人脸的“向量表示”，效果其实是不好的。如何改进？我们之后再谈，这里先谈谈我们希望这种人脸的“向量表示”应该具有哪些性质。
在理想的状况下，我们希望“向量表示”之间的距离就可以直接反映人脸的相似度：
这种表示实际上就可以看做某种“embedding”。在原始的VGG16模型中，我们使用的是softmax损失，没有对每一类的向量表示之间的距离做出要求。所以不能直接用作人脸表示。
举个例子，使用CNN对MNIST进行分类，我们设计一个特殊的卷积网络，让最后一层的向量变为2维，此时可以画出每一类对应的2维向量表示的图（图中一种颜色对应一种类别）：
上图是我们直接使用softmax训练得到的结果，它就不符合我们希望特征具有的特点：
那么训练人脸特征表示的正确姿势是什么？其实有很多种方法。一种方法就是使用“center loss”。centor loss实际上是在softmax的loss上再加入一个损失，这个损失对每一类规定了一个“中心”点，每一类的特征应该离这个中心点比较近，而不同类的中心点离的比较远。加入center loss后，训练出的特征大致长这样：
实际应用
输入：人脸的向量表示。
有了人脸的向量表示后，剩下的问题就非常简单了。因为这种表示具有相同人对应的向量的距离小，不同人对应的向量距离大的特点。接下来一般的应用有以下几类：
人脸验证（Face Identification）。就是检测A、B是否是属于同一个人。只需要计算向量之间的距离，设定合适的报警阈值（threshold）即可。
人脸识别（Face Recognition）。这个应用是最多的，给定一张图片，检测数据库中与之最相似的人脸。显然可以被转换为一个求距离的最近邻问题。
人脸聚类（Face Clustering）。在数据库中对人脸进行聚类，直接K-Means即可。
后记
以上给大家介绍了OpenFace中处理人脸问题的pipeline。需要特别指出的是，人脸相关的问题是一个比较大的方向，一篇文章显然是说不清楚的，这里只是基于OpenFace，对比较重要的方法还有名词做了一个解释。在OpenFace中，为了速度的考虑，提取人脸特征之前的Face Detection和Face Alignment就是使用的传统方法。实际上也可以换用精度更高的深度学习相关方法，比如在中科院山世光老师开源的人脸识别引擎seetaface/SeetaFaceEngine中，Face Alignment使用就是一个基于autoencoder网络的方法。另外，学习人脸特征同样有适合不同场景的不同方法，这些都是要进一步学习的。
↙点击“阅读原文”，加入
『夜听晚读』
