前面我们讲过了人脸检测、人脸质量、人脸关键点、人脸跟踪，接下来就是人脸识别系统里面的重中之重人脸识别了，或者叫人脸特征提取，这个算法是来判定人脸是谁。我们刷脸进车站、刷脸付款、解锁手机都离不开这个算法。
人脸识别的几个发展阶段
第一个发展阶段主要从 20 世纪 60 年代到 90 年代。Brunelli 、Bledsoe 、金出武 雄等人在这一时期做了人脸识别的相关研究，人工神经网络在这时被提出，因为当时硬 件基础难以支撑其过高的计算复杂度而没有得到重点关注。这一时期的识别精确度不高， 可以做到简单的人脸识别，但还是无法运用到实际中。
第二个发展阶段是从 1991 年到 1997 年。这一时期出现了耶鲁大学的 Fisherface 算法和麻省理工学院的 Eigenface 算法。这两种算法在当时颇具影响力。这一时期还出 现了人脸等密度图线性分析、基于弹性图匹配的方法 EBGM、隐马尔可夫模型 HMM等。Eigenface使用了PCA(主成分分析)将人脸图像进行降维，然后用欧式距离来判定人脸相似度，PCA也是计算机视觉课程会接触到的算法；Fisherface则使用了LDA(线性判别分析)。
第三个发展阶段是从 1997 年到 2010 年前后，研究人员开始摒弃原先的理想环境， 把研究重点转移到了非理想环境。这个时期研究者所使用分类器的联合方式和传统的特 征提取的技术方法。在此阶段，研究人员主要采用贝叶斯分类器、联合贝叶斯、支持向 量机 SVM等分类器进行研究。用SVM这类分类器来做人脸识别，实现了人脸特征和分类的解耦，所以有很多特征提取器都被用来做人脸识别了，比如sift、Gabor、HoG、LBP等。总体上，虽然相比于第二个阶段的算法，这个阶段的算法从精度和鲁棒性上都有较大提升，不过还是无法进行大规模的使用。
第四个阶段就是深度学习时期了，这个阶段是人脸识别真正进入日常生活的阶段，我们日常的刷脸解锁、刷脸进小区、打卡都离不开基于深度学习的人脸识别技术的发展。2014 年，Facebook 提出 Deepface 和香港中文大学提出 DeepID在 LFW上分别达到了 97.34%和 97.44%的识别精度。2015 年，Google 提出的 FaceNet ，在 LFW 上取得了 99.62%的识别率。同年，牛津大学提出了 VGGface 并公开数据集 CASIA WebFace ，VGGNet 在 CASIA WebFace 人脸集上训练，得到了 98.95%的识别率。2017 年，Liu 等人提出 SphereFace ，人脸识别准确率提升到了 99.42%。而后的arcface\cosface等新的人脸loss的提出，以及insightface项目的开源，极大的推动了人脸识别的发展。
基于深度学习的人脸识别技术的流程
与我们前面博文提到的技术一致，在支付、打卡、门禁等场景，还要加上face anti-spoof（活体检测）来防止出现假体攻击。
闭集和开集（Open set）识别
闭集是指待识别的人都在训练集中，这时的人脸识别等同于一个分类问题。
开集是指待识别的人不在训练集中，这时的人脸识别就不等同于一个分类问题了，而是一个度量学习的问题，即要学习的是如何判定2个人脸是否属于一个人，尽管实际上训练的时候是按分类训练。
人脸识别的损失
目前主要使用的人脸识别损失是arcface\cosface这类margin softmax 损失，即在普通的softmax分类损失上加上了乘性或加性的margin, 以期望达到类内内聚，类间分开的效果。
而在此之前，triplelet loss也曾用于人脸识别，由于训练过程中样本采样比较复杂，使用不太广泛。
Insightface
deepinsight/insightface: State-of-the-art 2D and 3D Face Analysis Project (github.com)
insightface是人脸识别领域最有名的开源项目，该项目包括了从人脸检测、人脸关键点到人脸识别的全流程算法，是入门和深入人脸识别的不二之选。
人脸识别数据集
人脸识别的发展也离不开数据集规模的扩大，最大的数据集已经到了百万级ID：
模型选型
insightface提供了很多模型：
insightface/recognition/arcface_torch at master · deepinsight/insightface (github.com)
insightface/model_zoo/README.md at master · deepinsight/insightface (github.com)
考虑到速度和精度，我们选择使用WebFace训练的resnet50模型。
参考文献
结语
这里我们简要介绍了人脸识别技术的发展过程和主要的一些方法，这里只是一些宽泛的介绍，更深入的算法理解还需要自行阅读论文，可以阅读上述的综述。