今年暑假在北京自動化所做“大學生研究計划”，從7月7號-8月20號。導師和師兄人都很nice，度過了一個有收獲的暑假吧！
我對人臉識別的理解：比較兩個人臉是不是相似，而圖片的存儲是矩陣，那我們就是比較這兩個矩陣有多近，如果“很近”，那就是同一個人嘛，相反，如果相差很大，那就不是一個人。如何來判斷兩個矩陣離得“近”呢，答案是豐富多彩的嘛，所以有各種各樣的方法。
然后說下人臉識別的整個過程：樣本——提取特征——訓練——得到分類器——測試
1 樣本，我用的LFW（Labeled Face in Wild）數據庫，點擊LFW可以下到，一共13233幅圖片，對應5749個人。
2 提取特征，我用的LBP方法，另外由於提的特征過大，如果直接訓練，成本太高，建議進行壓縮，我在這里用的是cai deng的PCA方法，小伙伴們可以直接從這里下工具箱，很方便。
3 訓練過程，我在這里是用的metric learning
這里參考了cao qiong的Similarity Metric Learning for Face Recognition和Jason V. Davis的Information Theoretic Metric Learning他們都是有完整代碼貼出來的，可惜都是matlab的。
前面說到怎么找一個合適的距離能夠“恰好”的把同一個人和不同的人分開，我們當然可以用我們熟悉的歐式距離，d1=（X-Y）’（X-Y）（X,Y是兩個人臉的矩陣），但是效果不好，這個時候大家就想辦法了，還有什么距離的，通常，馬氏距離d=（X-Y）‘G（X-Y），這個時候我們通過訓練找到一個合適的G，這個G能使在X和Y相近時，得到一個很小的值；cao qiong還引入了另一個距離，d2=XMY，這個距離，當X和Y靠近時，會很大，而遠離時，d的值很小。cao xiong綜合以上兩點，d=d2-d1。而Jason V. Davis只使用了d1。
metric learning本質上就是要找一個合適的矩陣G。
感覺這是轉化為一個最優化問題，我們肯定是最優某一項指標，然后給出一些限制條件，這樣就變成我們熟悉的運籌學的問題了。
4 得到分類器，有了G以后分類就簡單了，可以采用KNN分類，也可以給個簡單的閾值，如果d大於某個值就不是同一個人，如果小於某個值就是一個人。
5 訓練的結果：我用400維的數據測試下來識別率是89.7%