计算机视觉基础入门课程（从算法到实战应用）

# lesson5 <人脸识别的算法(上)>笔记

1. 人脸识别是生物识别的一种, 生物识别物/生物特征还有很多,比如步态/耳廓/瞳孔虹膜/指纹/手相/牙齿/眼底视网膜/签名/声波/敲击键盘pattern等.(啊这么多啊). 活体检测.

2. 人脸识别的应用 

1) 1:1比对, 刷脸登录/自动通关,远程身份认证;

2) 1:N(N*=10幂3)比对, 智能门禁&考勤

    1:N(N>10幂9)比对, 智能寻亲,跨年龄人脸识别技术.

3. 人脸识别,最简单的方法:模板匹配

1) 维度灾难,内存/速度问题.

2)准确率问题.

4. 将问题转化为: 在低维特征空间,同一个人的特征尽可能接近,不同人的特征尽可能分离.

5. 如何找到低维空间:?

前深度学习时代: 

1)  主成分分析. 方法类似于4.

2) Eigen Face(特征脸): 原始图片-> N维向量x. 减去平均脸,数据归一化.

3) 由特征脸(特征向量)组成的降维特征子空间, 任何一幅中心化的人脸图像都可以通过下面的式子投影到特征脸子空间,获得一组坐标系数.(高维投影到低维, 获得低维表达)

4) 输入人脸 --投影-->平均人脸+sigma(权重*特征脸)

5) 特征脸存在的问题: a.特征表达能力有限,b.知识和小数据库.

6) eigen face 存在无数开源代码, 可以用来复现.

人脸检测（上）——前深度学习时代

1. 为什么选择人脸识别？

    容易采集。

2. 人脸识别缺点？

    计算复杂（算法的事）,安全性低（伪造）

3. 人脸识别防伪技术——活体检测

  【问】支付宝的，眨眼，低头，转头，是活体检测技术吗？

4. 人脸识别应用有哪些？

    1:1比对，刷脸登录，如检票，登录

    1:N比对(10^2-10^3),智能门禁，如打卡

    1:N比对(N>10^9),智能寻亲

5. 人脸识别要解决的问题？

    1:1人脸识别-两个人是否为同一个人？

          [input:两张图片; output:是或否]

    1:1人脸检索-在数据库中找到同一个人？

          [input:query; output:ranked list]

6.特征表达

人脸识别：

模版匹配：比较简单的想法，将人脸图像变成为向量，然后处理两个向量之间的欧氏距离或其他距离，通过距离大小来判断两个人脸是否相似。

人脸识别上中老师提到对于每一张图像，要减去平均脸，老师的解释为降低ｖａｒｉａｎｃｅ，我觉得这里应该是降低ｂｉａｓ。

特征脸组成了将维特征子空间，之后对于新的图像可以将每一章图象投影到特征子空间，来获得坐标参数，而这些参数即为低维表达。

特征脸的一大缺点就是表达能力有限，因为毕竟子空间有一定信息丢失。深度学习方法要好很多，因为其泛华能力要比传统方法好很多。

ｃｓ２２９　可以进行进一步了解。