py3+tensorflow+opencv基于深度学习制作人脸识别系统学习历程（持续更新）

3.15 开始项目学习历程 。
有面向对象和面向过程编程的基础开始了人工智能的学习，以后每天都会报告工作任务和好的资源分享以及学习体会

1. 关于人脸识别系统
https://www.cnblogs.com/gbin1/p/7456422.html 2. 人脸识别系统的基本步骤：（理论部分）
            a.图像采集和检测：一张照片或者图片检测出人脸的部分，及可能存在若干张脸，都应该检测出来
            b.图像预处理：如果背光或者是侧脸或者脸载图片中是斜的等等情况，需要进行一些图像处理工作，
                    平移旋转使得脸部位变正，方向梯度直方图布置等等。
            c.人脸图像的特征提取：不用人为确定提取特征，卷积神经网络来自动获取特征值.
            d.人脸图像匹配与识别：通过特征值来匹配对号
☆图像采集和检测：
人脸检测是人脸识别的预处理的一部分,即在图像中准确标定出人脸的位置和大小。人
脸图像中包含的模式特征十分丰富,如直方图特征、颜色特征、模板特征、结构特征及哈尔
特征(Haar-like feature)等。人脸检测就是把这其中有用的信息挑出来,并利用这些特征实
现人脸检测。
在人脸检测算法中,有模板匹配模型、Adaboost 模型等,其中 Adaboost 模型在速度与精度
的综合性能上表现最好。该算法的特点就是训练慢,检测快,基本上可以达到视频流实时检测
效果。

☆图像预处理：
人脸图像预处理是基于人脸检测的结果,对图像进行处理,为后面的特征提取服务。系统
获取的人脸图像可能受到各种条件的限制和随机干扰,需要进行缩放、旋转、拉伸、光线补偿、

灰度变换、直方图均衡化、规范化、几何校正、过滤以及锐化等图像预处理。
☆人脸图像特征提取：（最关键的部分）
人脸图像特征提取就是将人脸图像信息数字化,将一张人脸图像转变为的一串数字(一般
称为特征向量)。例如,对一张脸,找到它的眼睛左边、嘴唇右边、鼻子、下巴等位置,利用
特征点间的欧氏距离、曲率和角度等提取出特征分量,最终把相关的特征连接成一个长的特征

向量。
☆人脸图像识别与匹配：
人脸图像匹配与识别就是把提取的人脸图像的特征数据与数据库中存储的人脸特征模板
进行搜索匹配,根据相似程度对身份信息进行判断,设定一个阈值,当相似度超过这一阈值,
则把匹配得到的结果输出。这一过程又分为两类:一类是确认,是一对一(1:1)进行图像比较,
换句话说就是证明“你就是你”,一般用在金融的核实身份和信息安全领域;另一类是辨认,
是一对多(1:N)进行图像匹配,也就是说在 N 个人中找到你,一般的 N 可以是一个视频流,

只要人走进识别范围就完成识别工作,一般用在安防领域。
深度学习背后坚实的数学理论

《深度学习》


深度学习看完很多理论之后可以多看看外国的书籍：深度学习推荐外国书籍
人工智能、机器学习、神经网络、深度学习关系