3.1　DeepID 系列人脸识别算法

DeepID 系列人脸识别算法包括DeepID［7]、DeepID 2、DeepID 2+［8]和DeepID 3。DeepID 系列人脸识别算法的本质思想是对人脸的不同区域提取卷积特征，旨在做人脸验证。

如图3-1所示是DeepID 系列人脸识别算法的神经网络结构［7]，它包含4个卷积层、3个池化层、1个全连接层和1个Softmax 分类层。全连接层（最后一个隐含层）和第4个卷积层、第3个卷积层（池化后）进行全连接，以便从图像获取多尺度的特征。该全连接层（最后一个隐含层）的神经单元个数限定为160个。

DeepID 系列人脸识别算法的关键之一是对人脸图像的预处理。首先，对人脸区域的5个人脸关键点进行定位，包括2个眼睛中心、1个鼻尖和2个嘴角。然后，以每个人脸关键点为中心，提取如图3-2所示的10张脸部切片（patch）。对每张人脸切片，选取3种不同分辨率、2种不同色彩（彩色图和灰度图）的图像，进行翻转处理（flip），因此一张人脸图像最终将提取120个切片图像［9]。使用如图3-1所示的神经网络，对每张切片图像提取160维的全连接层特征，因此，一张人脸图像最终将得到160维×120个=19200个特征，直接用于后续的基于联合贝叶斯分类算法的人脸验证步骤。在LFW 数据集上，DeepID 系列人脸识别算法的人脸验证准确率达到97.45%。本书的后续章节将详解DeepID 系列人脸识别算法的原理和应用实践（基于Caffe）。

图3-1　DeepID 系列人脸识别算法的神经网络结构［7]

图3-2　DeepID 系列人脸识别算法对人脸的不同区域提取卷积特征［7]

DeepID 2、DeepID 2+和DeepID 3改进了DeepID 系列人脸识别算法的损失函数或使用更深的神经网络结构（在VGG 和GooLeNet 的基础上构建合适的结构）［10]。GitHub 上有DeepID 系列人脸识别算法的开源实现（基于Python/TensorFlow），有兴趣的读者可以通过文献［11]和文献［12]中的源代码进行DeepID 系列人脸识别算法的理解和应用实践。