今年暑假在北京自动化所做“大学生研究计划”，从7月7号-8月20号。导师和师兄人都很nice，度过了一个有收获的暑假吧！
我对人脸识别的理解：比较两个人脸是不是相似，而图片的存储是矩阵，那我们就是比较这两个矩阵有多近，如果“很近”，那就是同一个人嘛，相反，如果相差很大，那就不是一个人。如何来判断两个矩阵离得“近”呢，答案是丰富多彩的嘛，所以有各种各样的方法。
然后说下人脸识别的整个过程：样本——提取特征——训练——得到分类器——测试
1 样本，我用的LFW（Labeled Face in Wild）数据库，点击LFW可以下到，一共13233幅图片，对应5749个人。
2 提取特征，我用的LBP方法，另外由于提的特征过大，如果直接训练，成本太高，建议进行压缩，我在这里用的是cai deng的PCA方法，小伙伴们可以直接从这里下工具箱，很方便。
3 训练过程，我在这里是用的metric learning
这里参考了cao qiong的Similarity Metric Learning for Face Recognition和Jason V. Davis的Information Theoretic Metric Learning他们都是有完整代码贴出来的，可惜都是matlab的。
前面说到怎么找一个合适的距离能够“恰好”的把同一个人和不同的人分开，我们当然可以用我们熟悉的欧式距离，d1=（X-Y）’（X-Y）（X,Y是两个人脸的矩阵），但是效果不好，这个时候大家就想办法了，还有什么距离的，通常，马氏距离d=（X-Y）‘G（X-Y），这个时候我们通过训练找到一个合适的G，这个G能使在X和Y相近时，得到一个很小的值；cao qiong还引入了另一个距离，d2=XMY，这个距离，当X和Y靠近时，会很大，而远离时，d的值很小。cao xiong综合以上两点，d=d2-d1。而Jason V. Davis只使用了d1。
metric learning本质上就是要找一个合适的矩阵G。
感觉这是转化为一个最优化问题，我们肯定是最优某一项指标，然后给出一些限制条件，这样就变成我们熟悉的运筹学的问题了。
4 得到分类器，有了G以后分类就简单了，可以采用KNN分类，也可以给个简单的阈值，如果d大于某个值就不是同一个人，如果小于某个值就是一个人。
5 训练的结果：我用400维的数据测试下来识别率是89.7%
关于metric learning的人脸识别学习