基于深度学习的人脸识别

1. 传统人脸识别方法

• 基于模板匹配
• 基于几何特征
• 基于代数特征 （PCA，LDA，HMM算法）
• 基于人工神经网络 (使用 图像像素点作 为神经 网络 的输入）
• 基于稀疏表示(MPR,SRC算法)

Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU ，在直接无缝切换视频、图像处理方面应用较多

OpenFace is a python implement of face recognition with deep neural networks and is based on the CVPR 2015 paper FaceNet:(通用人脸识别系统) 采用深度卷积神经网络（CNN）学习将图像映射到欧式空间。空间距离直接和图片相似度相关：同一个人的不同图像在空间距离很小，不同人的图像在空间中有较大的距离，可以用于人脸验证、识别和聚类。

DeepFace,DeepID：两篇比FaceNet更在的人脸识别论文。

3. 低 分 辨率 下 人脸识 别
   “”两步 法 ”就 是通过对 图 像进行 预 处理 操作 （ 采 样或 超 分辨 率重 构 ） 来使 得高低 分 辨 率 的 图 像获 得 相 同 的 尺 寸 ， 然 后 利 用 传 统人 脸识 别 方 法对 这 样 样 本 进行识 别 。
   “跨空 间 法 ”则 是基 于耦 合 度量 学 习 的 方 法 ， 通 过 学 习一组 映 射 函 数 来将 高 分 辨 率 图 像 和低 分 辨 率 图 像 投 影 到一个共 同 的特征 子 空 间 。 在 这 个子 空 间内 ， 类 内 人 脸 图像 的 差异 被 缩 小 ， 而 类 间 人脸 图 像 间 的 散度 被 增大 ， 从 而 实现人脸 的 准确 分 类识 别