基于深度神经网络的遮挡人脸识别算法的研究（小白初学）
研究背景
在自然条件下人脸面部的光照变化、角度变化、表情变化以及存在遮挡物，使得采集到的人脸图像存在人脸特征的损失。因此研究遮挡人脸识别算法提高识别的准确率具有重大的意义。
算法介绍
- 基于卷积神经网络(CNN)的人脸识别模型
- 基于级联卷积神经网络(MTCNN)的人脸识别算法
- 基于对抗网络(GAN)的人脸修复算法
基于卷积神经网络(CNN)的人脸识别算法
首先先介绍感知器的相关知识。
感知器：接受多个输入，产生一个输出。
多层网络：由多个感知器组成（增加了隐含层）。
在隐含层中，应用激活函数给感知器引入非线性因素。
在这里，我们介绍3个激活函数：
-
Sigmoid函数：把输入的值变为0和1之间的输入。
它的函数表达式是这样的：
因此我们可以求得他的导数表达式，其函数图像为两端趋近于0的正态函数。因此会导致梯度离散的情况。 -
Tanh函数：把输入的值变换为-1和1之间的输出。
它的函数表达式是这样的：
求得他的导数表达式，其函数图像和Sigmoid导函数的图像相似。因此也会导致梯度离散的情况。 -
Relu函数：只需要判别输入的数据大于0或小于0。
它的函数表达式是这样的：
因此我们可以得到它的导函数图像，如下：
可以看到它的导函数在x>0的情况下始终取值为1，因此可以有效的减少梯度离散的情况。
在了解上述知识后，我们来介绍CNN结构。
CNN由输入层、卷积层、池化层、全连接层组成
- 输入层：将图像转换为矩阵输入神经网络。
- 卷积层：对输入的数据进行特征提取，即将输入的人脸图像转换为机器学习的数字特征，然后进行卷积操作。
卷积操作：对输入的图像进行卷积，即在原图像上滑动卷积核。卷积操作主要有相加和相乘的操作。
- 池化层：
①特征不变性
②特征降维（去除冗余信息）
这里的特征不变性即假设输入的一张图片是猫，不管经过怎样的变化（平移，旋转等），仍可识别为猫。
而将上述提到的卷积、激活函数、池化相结合就得到深度神经网络。
全连接层：对深度网络的结果进行识别分类。
首先将经过卷积、激活函数、池化的深度网络后的结果串起来，在模型训练后得出权重进行加权求和，得到各个结果的预测值，最大值即为结果。
基于级联卷积神经网络(MTCNN)的人脸识别算法
MTCNN实现的流程:
- 1.构建图像金字塔。
介绍完图像金字塔后，我们先插入介绍一个NMS算法：去除预测结果中重复的框。
- 2.P-Net，NMS。
P-Net：对上一步构造的图像金字塔进行初步特征提取与标定边框并进行NMS算法对大部分窗口进行过滤。
-
3.R-Net，NMS。
R-Net：精细化建议框。
-
4.O-Net，NMS。
O-Net：输出最终的结果。
基于GAN网络的人脸去遮挡
- 生成器(Generator)：生成尽可能真实的伪数据
- 鉴别器(Discriminator)：判断数据是否是真数据
是一个动态博弈的过程。
