邹鹏,杨治昆 ,李锴淞

(1.东北财经大学 网络信息管理中心 辽宁 大连 116025；2.浙江宇视科技有限公司 研究院，浙江 杭州 310051)*

随着人脸识别算法的不断成熟，其在越来越多的应用场景中发挥积极作用，如证件查询，出入考勤查验，人脸支付等，另外在治理交通痼疾“闯红灯”问题上也大显身手.早期的人脸识别典型算法有模板匹配法，PCA(主成分分析法)和LDA(线性判别分析)等，但是这些方法对训练集和测试场景、光照、人脸的表情等因素比较敏感，泛化能力不足，不具备太多的使用价值.之后的人脸检测算法普遍采用了人工特征+分类器的思想，常见的描述图像特征有HOG，SIFT[1]，LBP，Gabor等，典型的代表特征是LBP(局部二值模式)特征，这种特征简单却有效，部分解决了光照敏感问题，但还是存在姿态和表情的问题.现阶段主要的方法是基于深度学习的方法，利用卷积神经网络(CNN)对输入的人脸图片进行学习，提取出区别不同人的特征向量，替代人工设计的特征.DeepFace是CVPR2014上由Facebook提出的方法，使用3D模型来完成人脸对齐任务，然后使用深度卷积神经网络对对齐后的人脸进行分类学习，最终在LFW上取得了97.35%的准确率，由于采用了多层局部卷积结构，产生了大量的参数量，且对数据量要求很大，因此应用有很大的局限性.FaceNet是由谷歌公司推出的关于人脸识别的算法，其使用三元组损失函数(Triplet Loss[2]代替常用的Softmax交叉熵函数，同时使用了Inception[3]模型，产生的参数量较小，在LFW取得了99.63%的准确率.可以看出基于深度学习……