基于MTCNN+FaceNet的人脸检测与识别系统

最近在整理出的上学期做的人脸识别复现，源码在git上改动不大。
Github链接：https://github.com/ALittleLeo/FaceRcognization/tree/master

引言

随着互联网技术的高速发展，互联网也进入了海量数据时代。在全球，每天约2EB的数据被产生。在各种类型的数据信息中，人脸数字图像数据是最重要的一种数据类型。所以越来越多的新型应用场景需要利用图像中的信息，而人脸图像数据作为一种直观高效的信息载体，包含了复杂多样的内容信息。
近年来，基于深度学习的OCR技术在人脸识别的精准度和效率上有着显著的提升。目前主流的人脸识别主要分为两个部分，即人脸检测和人脸识别。1）在人脸检测方面，目前在传统单一维度人脸检测有较为成熟的研究成果。纹理特征提取算法LBP对多维度人脸检测问题也有一定不错的效果。2）在人脸识别方面，主流的是CNN和transformer模型。此外仍有团队将Attention机制运用到人脸识别当中，强化了网络挖掘特征信息的能力。目前人脸识别的准确率仍然不高，本项目将在已有深度学习模型的基础上，使用MCTNN+facenet结合的方法，以能达到较好的识别效果。
人脸检测识别是人工智能领域中一项重要的关键技术,而深度学习是该技术兴起的研究热点,这项技术可提高人脸检测识别技术的精准性和数据的安全性。本文通过MCTNN+facenet的方法分析深度学习的检测技术原理,把该技术的各关键点有机结合起来,最终形成基于深度学习的人脸检测模技术。

MCTNN+facenet

MTCNN一个深度卷积多任务的框架，这个框架利用了检测和对准之间固有的关系来增强他们的性能。这里使用MTCNN进行人脸检测，一方面是因为其检测精度确实不错，另一方面facenet工程中，已经提供了用于人脸检测的mtcnn接口。MTCNN是多任务级联CNN的人脸检测深度学习模型，该模型中综合考虑了人脸边框回归和面部关键点检测。特别是，在预测人脸及脸部标记点的时候，通过3个CNN级联的方式对任务进行从粗到精的处理。
Stage 1：使用P-Net是一个全卷积网络，用来生成候选窗