接上一篇博文，这篇博文主要是进行人脸识别中的第③和第四个步骤：特征提取以及相似度计算。
center loss是2016的一篇ECCV论文中提出来的，A Discriminative Feature Learning Approach for Deep Face Recognition，个人理解，center loss的思想有点类似于SVM，对于线性可分的数据，SVM不仅仅是求得的超平面线性划分训练数据，还要求划分后的最小间隔最大化，而加入了center loss的卷积神经网络，不仅要求划分出各个类别，还要求类与类之间的距离尽可能大，而类之间的元素之间距离尽可能小，这样当一副新的未出现过的人脸送入网络进行测试时，能更好的泛化其特征，而减少了因为类类间“太近”而导致的误判。就如论文中的图：
这里显示的是赋予center loss不同权重的效果图，左上角的权重比较小，类类间间距相对小，而右下角的权重比较大，得到的结果是类与类之间的距离相对很大。更详细的博文，大家可以看 https://sanwen8.cn/p/5c76qMZ.html
基于center loss的caffe实现，GitHub是 https://github.com/ydwen/caffe-face ，大家可以按照其教程来配置好环境
简而言之，为了实现center loss，作者在caffe里自定义了一个center loss层，添加了头文件以及源文件后，重新编译caffe即可。
环境配置好后，我们下载WebFace 数据集，该数据集一共有10575个人的图片，总共50W左右张图片，此时，我们应该先将这些人脸图片进行对齐（上篇博客主要介绍了对齐方法），然后我们将对齐好的图片分为训练集、验证集，开始训练我们的神经网络了。
训练完后，我们得到了一个caffemodel，我们想在LFW上验证我们的模型，看看性能到底怎么样，我们将LFW的数据下载回来，一共有5749个人的人脸图片，每个人一个文件夹， 而LFW的评价指标是 给出了6000对人脸图片，其中3000对人脸图片是同一个人，另外3000对图片不是同一个人，现在我们需要拿出自己的模型，对这6000对人脸图片，分别回答是同一个人与否，并且画出ROC曲线来评价我们的模型。
具体的方法是，假设前3000对是同一个人，后3000对不是同一个人，我们设同一个人的标签是1，不是同一个人的标签是0，则6000个标签中，前3000是1，后三千是0，现在，我们用我们模型进行预测，对于每一个图片对，我们会根据计算两张图片的相似度，得到一个相似度（0~1）,然后根据其是否大于一个给定的阈值，会得到6000个结果，这个结果不是0就是1，比如阈值是0.7，现在模型对一个图片对算出来的相似度是0.6，则我们认为这对图片不是同一个人，因为其相似度0.6没有达到阈值0.7,这样，对于每一个阈值，我们能得到该阈值下的查准率P、查全率R、真正例率TPR、假正例率FPR。我们现在设置6000个阈值（因为有6000个测试图片对），就可以画出ROC曲线和PR曲线了， 我用一个迭代了10W次模型，进行测试，ROC曲线和PR曲线如下图：
图很丑，，大家别笑~~ 这是用opencv画出来的，左边的是ROC曲线，右边的是PR曲线，对于ROC曲线，有一个评价指标，是画一条从左上角到右下角的直线与ROC曲线的交点的纵坐标，也就是对应的真正例率TPR，算出来是0.947， 同时，我也试了所有的分类阈值，在最好的分类阈值的情况下，准确率为0.953，也就是6000对图片中，我正确识别了6000*0.953=5718对 ，至于在LFW数据集上的实际评价标准，我暂时也搞不清楚是用哪个，或者算AUC？ 这个还请知道的同学告知~~
具体的怎么用C++提取一张人脸经过caffe网络产生的特征，会再写一篇博客供大家参考~