利用人脸特征提取DeepID--解读世纪晟人脸识别
DeepID是一种特征提取的算法，这种网络一经训练好后，可以提取出输入人脸图片的深层次特征——
DeepID也是多个特征的融合体，你可以理解为DeepID对人脸上的很多关键区域都训练了一个 CNN 网络，去做分类，得到隐层特征，把这些特征拼接在一起，再做某种意义上的降维，得到最终特征，用这个特征来做描述，世纪晟科技人脸识别就可以非常有效地完成多分类任务。
概述：
DeepID的目标是人脸验证（判断两张图片是否是一个人），同时衍生出人脸识别（多次人脸验证）。
DeepID采用增大数据集的方法：
增加新的数据，celebFaces（87628张图片，5436个人），celebFaces+（202599张图片，10177个人）；
裁剪图片，多区域、多尺度、多通道裁剪，然后将计算的向量组合，使用PCA降维
DeepID是一种特征提取的算法，这种网络一经训练好后，可以提取出输入人脸图片的深层次特征——
DeepID也是多个特征的融合体，你可以理解为DeepID对人脸上的很多关键区域都训练了一个 CNN 网络，去做分类，得到隐层特征，把这些特征拼接在一起，再做某种意义上的降维，得到最终特征，用这个特征来做描述，世纪晟科技人脸识别就可以非常有效地完成多分类任务。
DeepID网特征提取+softmax分类：
下图就是这个特征提取DeepID网+softmax分类的示意图。
softmax这个分类器可以说是咱们深度学习领域最常见的一个分类器了，如果大家对逻辑回归有基础的话，那么这个softmax分类器可以当成一个多分类的逻辑回归。
每层的数字表示的是每个卷积网络神经元的数量，随着层数的增加，神经元的数量会减少。
DeepNets的训练过程：
一个DeepID网（就是前面的120个之一）包含4个卷积层（每一个都带有最大池化层）以及一个全连接层（也就是DeepID的160维特征），在训练网络时后面还要加上softmax层，不然不能给标签没法训练了，当然训练出网络后在测试数据上可以不加softmax，只到全连接层后就直接使用特征。
人脸的特征提取：
对于一张人脸图片，在经过人脸检测和人脸对齐之后，作者按照瞳孔和嘴的位置对所有训练样本进行了对齐（保证后面的切片工作是同一尺度下的），然后根据特征点的位置，进行了切块提取，下图上半部分就是对一张人脸在10个位置下的提取，然后每一个位置的切块提取还会有三个不同的尺度，这就得到了同一张人脸的30个不同的部位人脸图
有了30个不同部位人脸图后，当然此时着30个不同部位人脸图还都是RGB图像，我们还需要灰度图像上的特征，因此每一个部位图还要有一份灰度图版的，因此30又翻个倍，变成了60
下面把DeepID特征可视化的结果，也是可以挺明显的看出不同人脸提取的特征不一样