人脸识别（二）------ FaceNet

人脸识别（二）------ FaceNet

FaceNet 简介

FaceNet 主要用于验证人脸是否为同一个人，通过人脸识别这个人是谁。通过把人脸图像映射到一个多维空间，根据空间距离表示人脸相似度。同个人脸图像空间距离较小，不同人脸图像空间距离较大。

FaceNet 网络结构分析

Batch： 人脸训练数据，是指输入的人脸图像样本，这里的样本是已经经过人脸检测找到人脸并裁剪到固定尺寸。

Deep architecture：一种深度学习架构

L2 ：是指特征归一化（使其特征的 ||f(x)|| ²= 1)。这样所有图像的特征都会被映射到一个超球面上。

Embeddings： 就是前面经过深度学习网络，L2归一化后生成的特征向量（这个特征向量就代表了输入的一张样本图片）。

riplet Loss： 三元组（Triplet Loss）的损失函数。

下图为FaceNet中采用的Inception架构的深度卷积神经网络：

模型末端通过triplet loss来直接分类。三元组即三个样例如 (anchor, pos, neg)，利用距离关系来判断。即在尽可能多的三元组中，使得anchor和pos正例的距离小于anchor和neg负例的距离，如下图所示：
用数学公式可以表示为：

模型在每个Mini Batch的训练时，为了计算triplet loss需要选定合理的triplet三元组。若采用暴力的方法从所有样本中找出离他最近的反例和最远的正例，进行优化，查找时间太长，且会因错误标签图像导致训练收敛困难。可通过以下流程进行：
1.在mini-batch开始的时候，从训练数据集中抽样人脸照片。比如每一个batch抽样多少人，每个人抽样多少张图片，这样会得到要抽样的人脸照片。
2. 计算这些抽样图片在网络模型中得到的embedding，这样通过计算图片的embedding之间的欧式距离得到三元组了。
3.根据得到的三元组，计算triplet-loss，进行模型优化，更新embedding。

FaceNet模型流程

1.通过MTCNN人脸检测模型从图像中提取人脸。

2.将人脸图像输入到FaceNet，计算Embedding的特征向量。

3.比较特征向量间的欧式距离，判断是否为同一人，例如当特征距离小于1的时候认为是同一个人，特征距离大于1的时候认为是不同人。