好久没有和大家分享学习的推送，最近很多朋友一直在问我人脸识别到底怎么去识别？人脸为啥会分约束和非约束？人脸检测后可以做哪些工作？等等的一些列问题，其实我们之前很多推送都有详细解答这些问题，今天，就顺便把非约束人脸识别和大家好好说一说，希望有兴趣的您可以有所收获，谢谢！
现在是一个大数据时代，我们身边无处不是大数据，比如：
来源： www.expandedramblings.com, www.emarketer.com
其实，在人脸识别中主要的目的就是找到一个表达或者相似性度量，如：
Intra-subject similarity is high；
Inter-subject similarity is low。
这也是我之前一直和大家强调的，类内相似性高，类间相似性低。
就如上图所示，同一类的人脸，其特征特别相似，不在同一个聚类簇中的人脸，其特征差别较大，这样对人脸识别有较大的提高。
来看看人脸识别的里程碑：
约束 VS. 无约束
在无约束人脸识别中的一些挑战：
例举一个案例：（A case study of automated face recognition: the Boston Marathon bombing suspects, J.C. Klontz and A.K. Jain, IEEE Computer, 2013）
Gallery images：1百万张照片+6个Web图像
Probe images：5个人脸
Ranking results：
无约束人脸时代已经来临
The Labeled Faces in the Wild (LFW)
Labeled faces in the wild: A database for studying face recognition in unconstrained environments, Huang, Jain, LearnedMiller, ECCVW, 2008
LFW一共13233图片，共5749位人。
Human-level performance
Attribute and simile classifiers for face verification, Kumar, et al., ICCV 2009
通过实验证明了，人脸验证的时候，人脸额外的信息是多余的。
LFW数据集上进些年的实验结果变化如下图所示：
混合深度学习
Hybrid deep learning for computing face similarities, Sun, Wang, Tang, ICCV 2013
12X5 Siamese ConvNets X8 + RBM classification
一般人脸识别的简单过程如下：
以上都是1:1的验证识别，接下来可以看看1对多的案例。
人脸是一个3D目标：（可以通过这样的方式对无约束人脸重建）
如下就是1对多的简单介绍：
实验可视化：
本文参考于Yaniv Taigman的内容，谢谢！