Openface人脸识别的原理与过程：
https://zhuanlan.zhihu.com/p/24567586
原理可参考如下论文：
《OpenFace: A general-purpose face recognition library with mobile applications》
第一步：找出所有的面孔
我们流水线的第一步是人脸检测。
我们的目标是找出并比较当前像素与直接围绕它的像素的深度。然后我们要画一个箭头来代表图像变暗的方向：
用梯度来代替像素这事看起来没有明确目的，但其实背后的理由很充分。如果我们直接分析像素，同一个人明暗不同的两张照片将具有完全不同的像素值。但是如果只考虑亮度变化方向（direction）的话，明暗图像将会有同样的结果。这使得问题变得更容易解决！
但是保存每个像素的梯度太过细节化了，我们最终很有可能「一叶障目不见泰山」。如果能从更高的角度上观察基本的明暗流动，我们就可以看出图像的基本规律，这会比之前更好。
为了做到这一点，我们将图像分割成一些16×16像素的小方块。在每个小方块中，我们将计算出每个主方向上有多少个梯度（有多少指向上，指向右上，指向右等）。然后我们将用指向性最强那个方向的箭头来代替原来的那个小方块。
最终的结果是，我们把原始图像转换成了一个非常简单的表达形式，这种表达形式可以用一种简单的方式来捕获面部的基本结构：
利用HOG去detector人脸
第二步为面部特征点估计（face landmark estimation）。
但这次我们会使用由瓦希德·卡奇米（Vahid Kazemi）和约瑟菲娜·沙利文（Josephine Sullivan）在2014年发明的方法ERT（集成回归树）
第三步：给脸部编码
所以，解决方案是训练一个深度卷积神经网络（就像我们在第三章做的那样）。但是，并不是让它去识别图片中的物体，这一次我们的训练是要让它为脸部生成128个测量值。通过训练网络来生成这个128个特征，使得这些特征具有如下关系：相同人的图片距离尽可能接近，而不同人的照片距离尽可能远。
每次训练要观察三个不同的脸部图像（Triplet loss）：
1.加载一张已知的人的面部训练图像
2.加载同一个人的另一张照片
3.加载另外一个人的照片
机器学习专业人士把每张脸的128个测量值称为一个嵌入（embedding）。将复杂的原始数据（如图片）缩减为可由计算机生成的一个数列的方法，在机器学习（特别是语言翻译）中出现了很多次。我们正在使用的这种脸部提取方法是由Google的研究人员在2015年发明的，但也有许多类似方法存在。
该训练网络已经完成，我们只需要使用它即可生成128个特征值。
第四步：从编码中找出人的名字
面部识别分类器：基于简单线性SVM
总结：
1.使用HOG算法给图片编码，以创建图片的简化版本。使用这个简化的图像，找到其中看起来最像通用HOG面部编码的部分。
2.通过找到脸上的主要特征点，找出脸部的姿势。一旦我们找到这些特征点，就利用它们把图像扭曲，使眼睛和嘴巴居中。
3.把上一步得到的面部图像放入神经网络中，神经网络知道如何找到128个特征测量值。保存这128个测量值。
4.看看我们过去已经测量过的所有脸部，找出哪个人的测量值和我们要测量的面部最接近。这就是你要找的人！
