理工酷

这是计算机视觉和深度学习的内容，接下来介绍一下人脸识别中人脸检测的内容。

给定一张图像，我们必须分两个步骤进行操作：

• 找到面孔
• 名称标记他们。

第一部分 找到所有面孔，即面部检测问题。

为了解决此问题，需要了解两件事：

• 什么是计算机图像
• 什么是人脸

为了简单起见，图像对于计算机而言只是一个数字矩阵，可以对此矩阵进行数学运算。人脸是一个在某些位置组合中包含眼睛，鼻子，嘴巴等特征的图像区域。

数学在这里起什么作用？通过将图像上的区域与设计好的矩阵相乘，我们可以判断所选区域是否包含边缘，拐角或其他低层特征。

在上图中，（a）显示了在给定mask矩阵和图像区域的情况下如何计算值M。该值可以告诉我们对应的像素是否为边或者角的一部分。 （b）表示mask矩阵已滑到图像的不同部分。 （c）是某些mask矩阵的实际值。

输出是这样的：

现在我们已经检测到边缘/角/低级特征，眼睛，鼻子，嘴巴等只是我们检测到的低级特征的集合。所以，我们要对上述边缘检测步骤的输出应用类似的过程，使用不同的mask来检测眼睛，鼻子，嘴巴，再次使用另一组不同的mask重复操作，我们可以认为这是非常仔细地观察图像，然后再进行面部检测。

其中的难点是设计矩阵。随着机器学习和深度学习的兴起，这部分任务现在交给计算机来实现，人为指定mask的尺寸，然后机器自行计算出适当的值。

第二部分 给定一张人脸，为其命名一个名字。 这是面部识别问题，粗略的想法是：我们有一个已知面孔的数据库，给定一张新面孔，可以计算它与数据库中所有面孔的相似度，然后选择最相似的面孔。

有两种方法可以测量两个人脸图像之间的相似度。 一种流行的方法是将每个面部表示为超维平面上的一个点，然后测量它们之间的距离，这个距离认为是欧几里得距离，纯数学计算。我们要做的就是弄清楚如何将人脸投影到超尺寸平面上。

简而言之，我们必须用一些数字来描述面部，例如下巴的宽度，鼻子的高度，两眼之间的距离等。但是人类对数字的掌握不是很好，所以，该任务再次分配给计算机。

另一种是深度卷积神经网络的方法，如下图。通常是这样的：

上图中的长方体表示卷积层（Convolution layers），它们基本上完成了我们在面部检测步骤中所描述的操作：设计mask（此处称为内核），在图像上滑动mask以查找低级特征，（在下一层中）重复以查找高级特征，然后重复直到对图像的描述足够准确。

上图中右侧的矩形称为稠密层（Dense layers），该层可将图像的描述转换为更高层次的描述，即我们所需要的：用数字形式精确描述人脸图像。

现在我们有了所需的所有工具：

• 在图像中查找人脸的方法
• 人脸图像数据库
• 一种将人脸投影到高维平面上的方法
• 用于计算超维平面中两个点之间的距离的公式。

我们首先将人脸数据库转换为点数据库，然后给定图像，检测面部，将它们投影到具有相同神经网络的同一平面上，测量它们与数据库中各点之间的距离，找到最接近的点，然后将这些点的标签用作我们新面孔的标签。