前言

在前面的章節我們介紹了關於一個人臉的 2D 資訊--ex. Face detection & Facial landmark，也介紹了關於 3D 的資訊--ex. Head pose & Eye Gaze。那我們今天來討論一個跳脫空間維度的資訊，我們來介紹一個生物特徵認知的資訊--人臉辨識(Face recognition)，亦即辨認這個人臉是誰?

（圖片 ref.）

人臉辨識 (Face recognition)

臉部識別是一種生物特徵識別技術，通過對個體臉部特徵的擷取和分析，實現對個體身份的準確識別。這一技術在各種應用中得到廣泛應用，包括安全系統、移動設備解鎖、社交媒體標記等。常見的應用其實可以理解成為考驗我們 AI 在辨識兩個人是否為同一個人的能力

基礎術語介紹

人臉辨識技術裡面討論的技術其實方向其實百百種，在討論後續不同的酷炫主題之前我們要先來介紹人臉辨識的基本術語，如見下圖(圖片ref)

0.如何比較兩張照片

在人臉辨識這個領域，我們比較兩張照片在古早時期會是使用手動設計的 feature 來做比較，而在現代的人臉辨識，其實我們會使用深度學習網路來自己找到的 feature 來當作比較的依據來做比較，目前一個很常見的做法會是去把 CNN 壓出來的 feature 做 Normalize 然後比較 cos similarity，具體流程可參考:

1.Face identification v.s. Face verification

在 Face recognition 的應用範圍中，其實論比較方式可以分為以下兩類:

　　　A. Face verification
　　　　　　為比較兩張照片是否為同一人，是 1-to-1 的比較

　　　B. Face identifaction
　　　　　　為在給定一群人人的註冊照片後，比較當前的測試照片是註冊照片中的誰，是 1-to-many 的比較

那無論是以上的何者其實我們都會考驗AI模型對於分辨兩張照片是否為同一人的能力!因為你可以這麼理解 1-to-many為重複性的比較當前測試照片與每一張註冊照片的相似度！

2.Close-set v.s. Open-set

在人臉辨識這個主題上，其實是不是覺得聽起來就跟一般的貓貓狗狗辨識一樣來作人的分類?就像是分類這個人是幾號註冊人，那不就可以像是一般 classfication 一樣直接預測他是幾號人的機率嗎?理論上是沒錯，但這一邊我們應該注意一個重點是貓狗分類中的兩個類別 Cat & Dog 都有出現在訓練資料集中，而人臉辨識中的 每一個人為一類 卻不一定都出現在訓練資料集中，這樣一來在測試中其實我們就可能沒有相應的 class對應到當前這個人。ex. 我們拿編號 1~10的人的照片來訓練，結果要分辨 11 跟 12 是否為同一個人。那這樣的情況我們就可以定義:

　　　A. Open-set
　　　　　　測試資料集的類別中不包涵在訓練資料集內，測試時如上圖

　　　B. Close-set
測試資料集的類別包涵在訓練資料集內，那測試時可以變成以下這樣:

那這兩個分類的訓練同義任務就會像是下圖這樣:

Close-set因為知道有哪些類別(哪些人)，所以目的只要找到能分開訓練集內的人的分界線即可，而Open-set因為不知道有多少人，因此訓練尚要更嚴謹，要盡可能把同一個人的照片壓在同一點上(因為可能人跟人之間多了一個人)！

技術基礎

臉部識別技術的實現基於以下主要技術，我們將於接下來篇章仔細介紹：

1. 人臉檢測： 首先，系統需要檢測圖像或視頻中的人臉區域。這通常涉及到機器學習方法，如卷積神經網絡（CNN）或基於特徵的方法。

2. 特徵提取： 在檢測到人臉後，系統需要提取具有區分性的特徵。這些特徵可以包括臉部的輪廓、眼睛位置、鼻子形狀等。傳統方法使用手工設計的特徵，而現代方法則通常使用深度學習模型自動學習特徵。

3. 特徵匹配： 提取的特徵將與已知的人臉特徵進行比對，這需要建立一個稱為臉部特徵向量的數學表示。相似度度量方法（如歐氏距離或余弦相似度）用於評估兩個特徵向量之間的相似程度。

4. 身份確認： 最後，系統通過比對的結果來確認或識別個體身份。這可能涉及一個事先建立的數據庫，其中包含已知個體的臉部特徵。

深度學習在臉部識別中的應用

近年來，深度學習方法在臉部識別中取得了巨大的成功。以下是一些常見的深度學習模型，我們將於接下來篇章仔細介紹：

1. VGGFace： 基於VGGNet的臉部識別模型，通常用於提取臉部特徵。

2. OpenFace： 這是一個開源的臉部識別框架，使用深度神經網絡實現。

3. FaceNet： 由Google開發的模型，通過學習如何在嵌入空間中將相同人的臉部特徵點分離得更遠，實現高性能的臉部識別。

應用範疇以及科技討論

臉部識別技術在眾多領域中發揮著關鍵作用，我們將於接下來篇章仔細介紹：

1. 安全系統： 用於解鎖設備、進入安全區域，確保只有授權人員可以訪問特定區域。

2. 社交媒體： 自動標記照片中的人臉，方便用戶在社交媒體上分享照片。

3. 移動設備： 用於解鎖手機、平板等設備，提高安全性。

4. 監控與追蹤： 在公共場所使用，追蹤特定個體的移動。

未來發展趨勢

臉部識別技術仍在不斷發展，未來可能會涉及以下方向，我們將於接下來篇章仔細介紹：

1. 更強大的深度學習模型： 不斷改進的深度學習模型將提高臉部識別的準確性和性能。

2. 跨模態識別： 將臉部識別擴展到多種感知模式，如紅外線、深度等。

3. 隱私保護： 開發更加隱私友好的方法，以確保符合隱私保護

結語

我們今天簡單介紹了人臉辨識的基本知識了，講解了人臉辨識中的face identification 跟 face verification的差別，也介紹了人臉辨識的可能技術方向、應用範疇以及未來展趨勢!歡迎大家明晚繼續回來～

Ref.

1.Liu, Weiyang, et al. "Sphereface: Deep hypersphere embedding for face
recognition." Proceedings of the IEEE conference on computer vision and
pattern recognition. 2017.
2.Dog-cat classification
3.Face recognition cos similarity pipeline