本節內容：
▸ 1. 人臉識別發展介紹——從非深度到深度
▸ 2. 人臉識別的難點
▸ 3. 人臉識別的評測方法
▸ 4. 重點幾種模型的原理理講解（MTCNN/FaceNet（OpenFace））
▸ 5. TensorFlow實現的MTCNN+FaceNet的人臉檢測
▸ 6. 推薦的開源的人臉檢測項⽬目
非深度檢測人臉的原理：
用一個固定大小的區域不斷的遍歷整個畫面，每一個框和訓練的結果做比對（或者是分類），比對結果（分類結果）若是正確，則認為是一個人臉，連續好幾個地方都會檢測到，那這時我們就做一個極大值抑制得到最正確的人臉定位。人臉的大小也會有大有小有變化，滑窗也會由小到大進行遍歷，但效率很低，故引入金字塔模型（固定框的大小，對圖片進行縮放，每次縮放做一個滑窗）
深度學習的人臉檢測⽅方法
▸ 1. face++(0.9950)
▸ 參考⽂文獻：Naive-Deep face Recognition: Touching the Limit of LFW Benchmark or Not?
▸ face++從⽹網絡上搜集了了5million張⼈人臉圖⽚片⽤用於訓練深度卷積神經⽹網絡模型，在 LFW數據集上准確率⾮非常⾼高。該篇⽂文章的⽹網路路模型很常規（常規深度卷積神經⽹網絡 模型）
▸ 2.DeepFace（0.9735 ）
▸ 參考⽂文獻：Deepface: Closing the gap to humal-level performance in face verification
▸ 常規人臉識別流程是：人臉檢測-對齊-表達-分類。本文中，我們通過額外的3d模型 改進了人臉對⻬的⽅法。然后，通過基於4million人臉圖像（4000個體）訓練的 一個9層的人工神經網絡來進行人臉特征表達。我們的模型在LFW數據集上取得了0.9735的准確率。該文章的亮點有以下⼏幾點：一，基於3d模型的人臉對⻬⽅法； 二，⼤數據訓練的⼈工神經網絡。
▸ 3.FR+FCN（0.9645 ）
▸ 參考⽂文獻：Recover Canonical-View Faces in the Wild with Deep Neural Networks
▸ 參考⽂文獻：DeepID3: Face Recognition with Very Deep Neural Networks
▸ 參考⽂文獻：FaceNet: A Unified Embedding for Face Recognition and Clustering
參考⽂文獻：Targeting Ultimate Accuracy : Face Recognition via Deep Embedding
▸ 參考⽂文章：Do We Really Need to Collect Millions of Faces for Effective Face Recognition
▸ 參考⽂文獻：Regressing Robust and Discriminative 3D Morphable Models with a very Deep Neural Network
▸ 參考⽂文獻：DenseBox: Unifying Landmark Localization with End to End Object Detection
▸ 參考⽂文獻：Faceness-Net: Face Detection throughDeep Facial Part Responses
http://vis-www.cs.umass.edu/lfw/results.html
https://blog.csdn.net/shuzfan/article/details/50371990 NMS(非極大值抑制)——卷積網絡改進實現
實例待做
Python--Virtualenv簡明教程 https://www.jianshu.com/p/08c657bd34f1（學着用Virtualenv）