机器学习第一次作业

人脸识别概念

基本概念：

1. 广义的人脸识别实际包括构建人脸识别系统的一系列相关技术，包括人脸图像采集、人脸定位、人脸识别预处理、身份确认以及身份查找等。

2. 狭义的人脸识别指通过人脸进行身份确认或者身份查找的技术或系统。

人脸识别属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。

---

人脸识别简介

人脸识别问题宏观上分为两类：

1. 人脸验证，人脸验证做的是 1 比 1 的比对，即判断两张图片里的人是否为同一人。最常见的应用场景便是人脸解锁，终端设备（如手机）只需将用户事先注册的照片与临场采集的照片做对比，判断是否为同一人，即可完成身份验证。

2. 人脸识别，人脸识别做的是 1 比 N 的比对，即判断系统当前见到的人，为事先见过的众多人中的哪一个。比如疑犯追踪，小区门禁，会场签到，以及新零售概念里的客户识别。常见的应用场景如，人脸考勤。

这些应用场景的共同特点是：人脸识别系统都事先存储了大量的不同人脸和身份信息，系统运行时需要将见到的人脸与之前存储的大量人脸做比对，找出匹配的人脸。

---

技术简介：

　　早期流行的识别算法包括使用特征脸的主成分分析（principal component analysis ），线性判别分析（ linear discriminant analysis），使用Fisherface算法的弹性束图匹配（elastic bunch graph matching），隐马尔可夫模型（ hidden Markov model），使用张量表示的多线性子空间学习（multilinear subspace learning）以及受神经元启发的动态链接匹配（dynamic link matching）。

　　随着深度学习的流行，深度神经网络又一次被用于人脸识别，如DeepID，FaceNet等。

---

存在的瓶颈

　　在光照较差，遮挡，形变（大笑），侧脸等诸多条件下，算法很难准确识别和验证，目前的算法表现还不够稳健。

---

未来发展方向

面对这种局限，通常采取三种应对措施，使人脸识别系统能正常运作：

1. 工程角度：研发质量模型，对检测到人脸质量进行评价，质量较差则不识别/检验。

2. 应用角度：施加场景限制，比如刷脸解锁，人脸闸机，会场签到时，都要求用户在良好的光照条件下正对摄像头，以避免采集到质量差的图片。

3. 算法角度：提升人脸识别模型性能，在训练数据里添加更多复杂场景和质量的照片，以增强模型的抗干扰能力。