【Caffe實踐】基於Caffe的人臉識別實現
導言
深度學習深似海、尤其是在影象人臉識別領域，最近幾年的頂會和頂刊常常會出現沒有太多的理論創新的文章，但是效果擺在那邊。
DeepID是深度學習方法進行人臉識別中的一個簡單，卻高效的一個網路模型，其結構的特點可以概括為兩句話：1、訓練一個多個人臉的分類器，當訓練好之後，就可以把待測試影象放入網路中進行提取特徵，2對於提取到的特徵，然後就是利用其它的比較方法進行度量。具體的論文可以參照我的一篇論文筆記：【深度學習論文筆記】Deep Learning Face Representation from Predicting 10,000 Classes
首先我們完全參考論文的方法用Caffe設計一個網路結構：
其拓撲圖如圖1所示：
圖1：DeepID的網路結構，影象比較大，需要放大才能看的清楚
網路定義檔案：
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
2. 資料選擇
訓練一個好的深度模型，一個好的訓練資料是必不可少的。針對人臉識別的資料，目前公開的資料也有很多：比如最近的MegaFace、港大的Celbra A、中科研的WebFace 等等。在這裡，我選擇WebFace人臉資料庫作為訓練（人臉庫不是很乾淨，噪聲較多），影象公共50萬張左右，共10575個人，但是資料不平衡。
要評測一個演算法的效能，需要找一個公平的比對資料庫來評測，在人臉驗證中，LFW資料庫無疑是最好的選擇。在lfw評測中，給出6000千對人臉影象對進行人匹配。
3. 資料處理
訓練資料和測試資料都選擇好之後，就需要進行資料處理了，為了提供較好的識別準確度，我採用了訓練資料和測試資料統一的預處理方法（雖然LFW上有提供已經預處理過的人臉影象，但是預處理的具體引數還是未知的），測試資料和訓練資料都取樣相同的人臉檢測和對齊方法。
主要分為3個步驟：
1，人臉檢測
2，人臉特徵點檢測
3、人臉的對齊
這三個步驟可以用我做的一個小工具：FaceTools 來一鍵完成。
具體來說，需要選擇一個標準的人臉影象作為對齊的基準，我挑選一位帥哥當標準影象：
如圖：
訓練資料通過對齊後是這樣的：
LFW測試資料通過對齊後是這樣的：
4.資料轉換
影象處理好之後，需要將其轉化為Caffe 可以接受的格式。雖然Caffe支援直接讀影象檔案的格式進行訓練，但是這種方式磁碟IO會比較的大，所以我這裡不採用影象列表的方式，而是將訓練和驗證圖片都轉化為LMDB的格式處理。
4.1 劃分訓練集驗證集
劃分訓練集和驗證集（我取樣的是9：1的比例）
指令碼如下：
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
4.2 資料轉換
再呼叫Caffe 提供的轉化函式：
指令碼如下：
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
這樣之後，訓練的資料就準備好了。
訓練網路
上面的這些步驟之後，資料就已經處理好了，現在需要指定網路的超引數：
具體超引數設定如下：
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
訓練的時候，可以檢視學習曲線：
6.LFW上測試
LFW上，提供了6000對的人臉影象對來作為評測資料，由於我採用的是自己選的人臉檢測和對齊方法，所以有些人臉在我的預處理裡面丟失了（檢測不到），為了簡單的處理這種情況，在提特徵的時候，沒有檢測到的影象就用原來的影象去替代。
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
然後進行人臉的比對
<code class="hljs has-numbering">略</code><ul style="display: block;" class="pre-numbering"><li>1</li></ul>
結果ROC曲線：
通過選擇合適的指令碼，得到的準確度為：0.826333333333, 有點低。
7.結果分析
實驗的結果沒有理想中的那麼好，主要的原因分為幾個：
1、資料集不夠好：有較多的噪聲資料
2、資料集合不平衡：每個人的圖片個數從幾十張到幾百張不等。
3,、網路結構沒優化：原始的DeepID的大小為：48*48，而我選擇的人臉影象大小為64*64，網路結構卻沒有相對應的調整。（主要影響在於全連線層的個數太多了）