生物識(shí)別包括人臉識(shí)別、語(yǔ)音識(shí)別、指紋識(shí)別、視網(wǎng)膜或虹膜識(shí)別。其中人臉識(shí)別是目前在身份認(rèn)證或者身份查找應(yīng)用中使用最廣的生物識(shí)別技術(shù)。

人臉識(shí)別特指利用分析比較人臉視覺(jué)特征信息進(jìn)行身份鑒別的計(jì)算機(jī)技術(shù)。廣義的人臉識(shí)別實(shí)際包括構(gòu)建人臉識(shí)別系統(tǒng)的一系列相關(guān)技術(shù)，包括人臉圖像采集、人臉定位、人臉識(shí)別預(yù)處理、身份確認(rèn)以及身份查找等；而狹義的人臉識(shí)別特指通過(guò)人臉進(jìn)行身份確認(rèn)或者身份查找的技術(shù)或系統(tǒng)。

傳統(tǒng)的人臉識(shí)別技術(shù)主要是基于可見(jiàn)光圖像的人臉識(shí)別，人們也比較熟悉這樣的識(shí)別方式。不過(guò)，這種方式的缺點(diǎn)其實(shí)非常明顯，光線的限制性非常大。隨著技術(shù)發(fā)展，也出現(xiàn)了一些新的解決方案，例如：三維圖像人臉識(shí)別、熱成像人臉識(shí)別等。

在開(kāi)源領(lǐng)域這些年也出現(xiàn)了一些非常優(yōu)秀的人臉識(shí)別項(xiàng)目，這些項(xiàng)目開(kāi)源且免費(fèi)，并且也能達(dá)到某些應(yīng)用場(chǎng)景的使用要求。本文重點(diǎn)介紹這些開(kāi)源項(xiàng)目。

1.OpenFace

Github：https://github.com/TadasBaltrusaitis/OpenFace

OpenFace是一個(gè)用于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)的工具，能夠進(jìn)行各種面部識(shí)別檢測(cè)，包括：特征點(diǎn)檢測(cè)、頭部姿態(tài)識(shí)別、面部動(dòng)作識(shí)別和眼睛注視識(shí)別。此外，它還能夠從網(wǎng)絡(luò)攝像頭無(wú)需任何專業(yè)硬件實(shí)現(xiàn)人臉實(shí)時(shí)識(shí)別功能。

OpenFace 是基于 Python 和Torch 的神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)，它的理論來(lái)自facenet。

它的功能包括：

（1）面部標(biāo)志檢測(cè)

（2）面部標(biāo)志和頭部姿勢(shì)跟蹤

（3）面部動(dòng)作單元識(shí)別

（4）凝視跟蹤

（5）面部特征提取

2.face_recognition

GitHub: https://github.com/ageitgey/face_recognition

face_recognition 是一個(gè)強(qiáng)大、簡(jiǎn)單、易上手的人臉識(shí)別開(kāi)源項(xiàng)目，并且配備了完整的開(kāi)發(fā)文檔和應(yīng)用案例，并且兼容樹(shù)莓派系統(tǒng)。本項(xiàng)目是一個(gè)非常簡(jiǎn)潔的人臉識(shí)別庫(kù)，可以使用 Python 和命令行工具提取、識(shí)別、操作人臉。本項(xiàng)目的人臉識(shí)別是基于業(yè)內(nèi)領(lǐng)先的 C++ 開(kāi)源庫(kù) dlib 中的深度學(xué)習(xí)模型，用 Labeled Faces in the Wild 人臉數(shù)據(jù)集進(jìn)行測(cè)試，有高達(dá) 99.38% 的準(zhǔn)確率。但對(duì)小孩和亞洲人臉的識(shí)別準(zhǔn)確率尚待提升。

其中，Labeled Faces in the Wild是美國(guó)麻省大學(xué)安姆斯特分校（University of Massachusetts Amherst)制作的人臉數(shù)據(jù)集，該數(shù)據(jù)集包含了從網(wǎng)絡(luò)收集的13,000多張面部圖像。

 本項(xiàng)目還提供了簡(jiǎn)易的face_recognition命令行工具，可以用它處理整個(gè)文件夾里的圖片。

它的主要功能包括：

（1）定位圖片中的所有人臉

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_locations = face_recognition.face_locations(image)

（2）識(shí)別人臉關(guān)鍵點(diǎn)，包括眼睛、鼻子、嘴和下巴。

import face_recognition
image = face_recognition.load_image_file("your_file.jpg")
face_landmarks_list = face_recognition.face_landmarks(image)

識(shí)別人臉關(guān)鍵點(diǎn)在很多領(lǐng)域都很有用，比如本項(xiàng)目的自動(dòng)化妝案例（ digital make-up）：https://github.com/ageitgey/face_recognition/blob/master/examples/digital_makeup.py。

（3）識(shí)別圖片中的人是誰(shuí)

import face_recognition
known_image = face_recognition.load_image_file("biden.jpg")
unknown_image = face_recognition.load_image_file("unknown.jpg")

biden_encoding = face_recognition.face_encodings(known_image)[0]
unknown_encoding = face_recognition.face_encodings(unknown_image)[0]

results = face_recognition.compare_faces([biden_encoding], unknown_encoding)

（4）實(shí)時(shí)人臉檢測(cè)

它可以配合其它的Python庫(kù)（比如opencv）實(shí)現(xiàn)實(shí)時(shí)人臉檢測(cè)：

3.InsightFace

GitHub: https://github.com/deepinsight/insightface

InsightFace是一個(gè)基于PyTorch和MXNet的開(kāi)源2D 3D深度人臉識(shí)別分析工具，與MXNet相比，基于OneFlow的實(shí)現(xiàn)方案在性能方面更優(yōu)秀，OneFlow在數(shù)據(jù)并行時(shí)速度是其2.82倍；模型并行時(shí)速度是其2.45倍；混合并行+Partial fc時(shí)速度是其1.38倍。基于OneFlow實(shí)現(xiàn)的代碼已合并至 insightface的項(xiàng)目倉(cāng)庫(kù)，其中包含了數(shù)據(jù)集制作教程、訓(xùn)練和驗(yàn)證腳本、預(yù)訓(xùn)練模型以及和MXNet模型的轉(zhuǎn)換工具。InsightFace高效地實(shí)現(xiàn)了豐富的 最先進(jìn)的人臉識(shí)別、人臉檢測(cè)和人臉對(duì)齊算法，這些算法針對(duì)訓(xùn)練和部署進(jìn)行了優(yōu)化，該解決方案的準(zhǔn)確性非常高——在LFW數(shù)據(jù)集上為99.86%。

ArcFace、SubCenter-ArcFace、RetinaFace等都是InsightFace支持的項(xiàng)目。

4.facenet

Github：https://github.com/davidsandberg/facenet

FaceNet是谷歌公司于 2015 年提出了基于深度學(xué)習(xí)的人臉識(shí)別系統(tǒng)。FaceNet是一個(gè)多用途的識(shí)別系統(tǒng)，可以同時(shí)用于人臉驗(yàn)證（是否是同一人）、識(shí)別（這個(gè)人是誰(shuí)）和聚類（尋找類似的人）。在使用標(biāo)準(zhǔn)“人面數(shù)據(jù)庫(kù)”進(jìn)行測(cè)試時(shí)，F(xiàn)aceNet 的識(shí)別精度可以達(dá)到近乎百分之百，在面對(duì) 2.5 億張人臉的龐大數(shù)據(jù)庫(kù)時(shí)，仍能保持 86% 的識(shí)別正確率。目前提供的兩個(gè)預(yù)訓(xùn)練模型，在LFW的成績(jī)分別是99.05%和99.65%。

FaceNet 的基本原理是通過(guò)直接訓(xùn)練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)，將人臉圖像映射到 128 維的歐幾里得空間，不同人臉圖像在歐幾里得空間中的距離與圖像相似度相關(guān)：那么兩幅人臉圖像特征向量間的“歐式距離”越小，表示兩幅圖像是同一個(gè)人的可能性越大。

使用FaceNet推理的過(guò)程大致為以下幾個(gè)步驟：

• 數(shù)據(jù)預(yù)處理：常規(guī)人臉識(shí)別數(shù)據(jù)集中的圖像往往包含整個(gè)人體頭部及部分環(huán)境背景，并且人臉時(shí)常有傾斜（歪頭、側(cè)臉），在將此類圖像輸入至模型以前，需要對(duì)圖像“真人臉”部分進(jìn)行切圖，去除無(wú)關(guān)的背景信息，并對(duì)切出的人臉圖像進(jìn)行對(duì)齊，而后才可用于訓(xùn)練。
• 按照特定規(guī)則加載數(shù)據(jù)集：FaceNet 系統(tǒng)使用了一種新型的數(shù)據(jù)導(dǎo)入方式：以兩張匹配的圖片（同一個(gè)人的兩張圖片）以及一張不匹配的圖片（另一個(gè)人的一張圖片）為一個(gè)三元組，并以組為單位載入數(shù)據(jù)集。
• 使用大型骨干網(wǎng)絡(luò)提取人臉特征信息：選擇合適的深度卷積神經(jīng)網(wǎng)絡(luò)，對(duì)輸出層進(jìn)行修改后，即可進(jìn)行人臉特征提取。常用的深度卷積神經(jīng)網(wǎng)絡(luò)包括 resnet 系列、Inception 系列等。
• 對(duì)人臉特征信息進(jìn)行 L2 范數(shù)歸一化：深度卷積神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果是 128 維超空間中的特征向量，需使用 L2 正則化將 128 維超空間中的點(diǎn)規(guī)范化到 128 維超球面上。篩選出有效特征。
• 損失計(jì)算與更新梯度：計(jì)算三元損失函數(shù)（Triplets Loss），使模型快速超目標(biāo)方向優(yōu)化。

5.deepface

Github：https://github.com/serengil/deepface

deepface是python的輕量級(jí)面部識(shí)別和面部屬性分析（年齡，性別，情感和種族）框架。您只需幾行代碼就可以應(yīng)用面部分析。它彌合了軟件工程和機(jī)器學(xué)習(xí)研究之間的鴻溝，非常適合想開(kāi)車但不會(huì)造車的你。

Deepface是一個(gè)混合人臉識(shí)別軟件包。它目前包裝了許多最先進(jìn)的人臉識(shí)別模型：VGG-Face、Google FaceNet、OpenFace、Facebook DeepFace、DeepID、ArcFace、Dlib和SFace。默認(rèn)配置使用VGG-Face模型。

根據(jù)實(shí)驗(yàn)測(cè)試，性能較好的有：FaceNet、VGG-Face、ArcFace和Dlib。可以在其創(chuàng)建者聲明的Labeled Faces in the Wild和YouTube Faces in the Wild數(shù)據(jù)集中找到這些模型的得分。

deepface主要提供以下人臉識(shí)別算法，具體對(duì)應(yīng)功能為：

（1）人臉驗(yàn)證

（2）人臉識(shí)別

dfs = DeepFace.find(img_path = "img1.jpg", db_path = "C:/workspace/my_db")

（3）人臉屬性分析

DeepFace.stream(db_path = "C:/User/Sefik/Desktop/database")

（4）人臉檢測(cè)

（5）人臉特征提取

（6）人臉實(shí)時(shí)分析

6.CompreFace

Github：https://github.com/exadel-inc/CompreFace

Exadel CompreFace是領(lǐng)先的免費(fèi)開(kāi)源人臉識(shí)別系統(tǒng)。該人臉識(shí)別算法可以被輕松集成到任何系統(tǒng)中，而無(wú)需事先掌握機(jī)器學(xué)習(xí)技能。 

系統(tǒng)提供用于人臉識(shí)別、人臉驗(yàn)證、人臉檢測(cè)、地標(biāo)檢測(cè)、面罩檢測(cè)、頭部姿勢(shì)檢測(cè)、年齡和性別識(shí)別的REST API；支持在CPU和GPU上運(yùn)行模型； 該項(xiàng)目還包含角色管理系統(tǒng)，可以控制誰(shuí)有權(quán)訪問(wèn)面部識(shí)別服務(wù)。另外，CompreFace提供了docker-compose配置，方便以Docker的模式快速部署人臉?lè)?wù)。

CompreFace支持多種人臉識(shí)別服務(wù)，包括：

（1）人臉檢測(cè)

人臉檢測(cè)的使用場(chǎng)景很多，例如：收集商店在不同性別中受歡迎程度的統(tǒng)計(jì)數(shù)據(jù)；收集有關(guān)您的活動(dòng)在哪些年齡段受歡迎的統(tǒng)計(jì)數(shù)據(jù)；獲取地標(biāo)信息，了解客戶的視線；收集商店里有多少顧客的統(tǒng)計(jì)數(shù)據(jù)；確認(rèn)所有顧客是否正確佩戴口罩。

（2）人臉識(shí)別

（3）面部驗(yàn)證

（4）特征檢測(cè)

（5）年齡識(shí)別

（6）性別識(shí)別

（7）口罩檢測(cè)

（8）頭部姿勢(shì)檢測(cè)

（9）用戶、角色和訪問(wèn)管理