一、人脸识别综述

这里找到两篇较全面的综述文章：

（1）基于深度学习的人脸识别技术综述

（2）人脸识别长篇研究

（3）一篇文章搞懂人脸识别的十个概念

（4）人脸检测算法综述

（5）人脸识别博客

1、在LFW数据集上，获得较优秀结果的几种人脸识别方法

（1）face++(0.9950)

（2）DeepFace（0.9735）

常规的人脸识别流程是：人脸检测-对齐-表达-分类。本文采用额外的3d模型改进了人脸对齐方法，然后基于4million人脸图像(4000个个体)训练的一个9层的人工神经网络来进行人脸特征表达。本文有两个亮点：一是采用3d模型的人脸对齐方法，二是大数据训练的人工神经网络。

（3）FR+FCN（0.9645 ）

自然条件下，因为角度，光线，occlusions（咬合/张口闭口），低分辨率等原因，使人脸图像在个体之间有很大的差异，影响到人脸识别的广泛应用。本文提出了一种新的深度学习模型，可以学习人脸图像看不见的一面。因此，模型可以在保持个体之间的差异的同时，极大的减少单个个体人脸图像（同一人，不同图片）之间的差异。与当前使用2d环境或者3d信息来进行人脸重建的方法不同，该方法直接从人脸图像之中学习到图像中的规则观察体（canonical  view，标准正面人脸图像）。作者开发了一种从个体照片中自动选择/合成canonical-view的方法。在应用方面，该人脸恢复方法已经应用于人脸核实。同时，该方法在LFW数据集上获得了当前最好成绩。该文章的亮点在于：一，新的检测/选择canonical-view的方法；二，训练深度神经网络来重建人脸正面标准图片（canonical-view）。

（4）DeepID（0.9745 ）

深度学习在人脸识别领域的应用提高了人脸识别准确率。本文中，我们使用了两种深度神经网络框架（VGG net 和GoogleLeNet）来进行人脸识别。两种框架ensemble结果在LFW数据集上可以达到0.9745的准确率。文章获得高准确率主要归功于大量的训练数据，文章的亮点仅在于测试了两种深度卷积神经网络框架。

（5）FaceNet(0.9963)

作者开发了一个新的人脸识别系统：FaceNet，可以直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。只要该映射空间生成，人脸识别，验证和聚类等任务就可以轻松完成。该方法是基于深度卷积神经网络，在LFW数据集上，准确率为0.9963，在YouTube Faces DB数据集上，准确率为0.9512。FaceNet的核心是百万级的训练数据以及 triplet loss。