第3章　人脸识别技术的最新进展

本章主要内容

● DeepID（2014）

● FaceNet（2015）

● ArcFace（InsightFace）（2019）

人脸识别技术的发展，大致可以分为EigenFace 方法时期（Eigenfaces和Fishierfaces）、Gabor-LBP 方法时期、基于稀疏表示的人脸识别方法时期和基于深度学习的人脸识别方法时期［1-6]。如果一张图像中只有一个人脸，那么人脸识别本质上可看成多分类问题。在使用传统特征提取方法或深度特征（DeepID）方法得到图像的特征后，就可以由分类算法（分类器）进行分类模型训练和预测了。

基于深度学习的人脸识别方法主要有DeepFace、DeepID（系列）、FaceNet、VGGFace、SphereFace、CosFace 和ArcFace（InsightFace）等方法［1-6]。本章重点讲解3个人脸识别算法：DeepID 算法、FaceNet 算法和ArcFace（InsightFace）算法。

DeepID 算法和DeepFace 算法在基于深度学习的人脸识别领域具有开创性意义。需要说明的是，DeepID 论文报道的97.45%的人脸识别准确率指的是人脸验证的结果，并不是真正的人脸识别的结果。人脸识别技术可细分为人脸验证和人脸识别技术，前者是1:1的比对，后者是1:N的比对。简而言之，人脸验证是确认两张人脸图像是否为同一个人；人脸识别将输入图像与数据集中注册的N 张人脸图像进行比对，确定数据集中与之最相似的人脸图像及对应的人员身份。