人脸检测和人脸识别方法的比较

原文章：《Comparing Face Detection and Recognition Techniques》

Korra J. Comparing Face Detection and Recognition Techniques[J]. 2016.

PS:由于我最近做的都是人脸检测，所以后面的人脸识别我都没有在这篇博客上提及，有兴趣的朋友可以翻阅这篇文章。

摘要：这篇文章是比较人脸检测和人脸识别的工具和不同的技术。前者是在一张图片中定位人脸，后者是对人脸进行识别，判断是谁的人脸。这篇文章主要是比较三种方法：1.用自组织映射进行人脸检测；2.投影和最近邻进行人脸识别；3.用SVM进行人脸识别。

1.用自组织映射进行人脸检测。

自组织映射是神经网络的基本模型。每个节点使用乘法权重将输入向量映射到标量输出，典型的SOM结构是神经元网格。自组织映射是将高维向量嵌入到低维向量的维数降低方法。SOM训练模型，使得在高维度上更接近的数据点也在下维度中更靠近地嵌入。

1.1学习算法

模型的训练从随机化神经元的权重或初始化为主分量开始。将权重初始化到主分量通常比随机初始化收敛更快。

1.2算法步骤

1.识别紧密相似的图像以训练映射。

   2.将图片转化到灰度图片

   3.将图像拆分为25个20x20像素图像

   4.初始化25个5x5 SOM，其权重向量表示n维。尺寸对应于20x20图像的平均灰度，FFT，纹理直方图的尺寸

   5.初始化迭代次数= k，其中k是用于训练的图像数

   6.初始化学习率α= 0.9（大约）

   7.初始化磁盘= 4，时间常数=迭代次数/长（距离+ 1），epoch = 1。

   8.随意取一张训练照片

   9.对于训练图像的每个20×20图像片段，a.计算平均灰度，FFT，灰度直方图（在本例中bin = 2），并用这些值初始化权重向量'w'。 b. 计算对应于图像片段wnw的SOM的每个神经元和w之间的欧几里得距离，wn是神经元的加权向量。 c.找到具有最小欧几里得距离的神经元。 d.让这个神经元称为赢家。 使用以下规则：wn = wn + a*(w − wn)更新赢家和距离胜者的距离“dist”内的所有神经元的权重。

   10.重复步骤9调整其他图像：a= a *exp((epoch)/numofiter)，dist = round(dist * exp((epoch)/timeconstant))

   11.确定代表图像的不同区域的所有25个SOM的胜者神经元。

   12.读取测试图像并预处理图像，并获得图像中的对象边界。

   13.对于找到的每个对象，执行1.找到对应于测试图像的20×20图像片段的25个5×5图的测试优胜者神经元。 2.将它们与胜者神经元进行比较。 3.对于每个匹配允许阈值为0，如果测试图像具有0个错误，则打印完全匹配，即，训练集合的所有优胜者神经元与测试优胜者完全匹配。

   14.如果测试神经元产生小于m的差异（对于我们的情况，m = 10），打印接近匹配否则打印不相似。