但随着深度学习的发展，人脸识别有更多端到端的框架选择。这里简单介绍一下三种近两年基于深度学习人脸识别的方法：Deep face、Deep ID、FaceNet

　　1)Deep face

　　a.Deep face 与其他方法最大的不同在于，DeepFace在训练神经网络前，使用了基于3D模型人脸对齐的方法。

　　b.使用深度神经网络学习特征

　　c.该模型在LFW数据集上取得了0.9735准确率

　　2)DeepID

　　DeepID有三代：DeepID、DeepID2、DeepID2+

　　DeepID2+对遮挡有很好的鲁棒性

　　有两种方式对人脸进行多种尺度的遮挡，第一种是从下往上进行遮挡，从10%-70%。第二种是不同大小的黑块随机放，黑块的大小从10×10到70×70。

　　结论是：遮挡在20%以内，块大小在30*30以下，Deep2+的输出向量的验证正确率几乎不变。

　　3)FaceNet

　　直接将人脸图像映射到欧几里得空间，空间的距离代表了人脸图像的相似性。该方法基于深度卷积神经网络。FaceNet得到人脸最终表示后不用像DeepID那样需要再训练模型进行分类，直接计算距离，效率很高。

　　它在LFW数据集上使用了两种模式：

　　直接取LFW图片的中间部分进行训练，

　　使用额外的人脸对齐工具，准确率为0.9963，超过DeepID。

　　当然基于深度学习的人脸识别方法还有很多种，比如baidu的方法等等。对这块有兴趣的朋友可以看看这篇文章：《基于深度学习的人脸识别技术综述》

　　5、人脸匹配与识别

　　将提取的人脸特征数据与数据库中储存的特征模板进行搜索匹配，设定一个最佳的相似度阈值，当相似度超过该阈值，则输出匹配后的结果。

　　最佳相似度阈值的决定需要考虑到输出结果的正确率和数量。假设1000张样本图片里，共600张正样本。相似度为0.9的图片一共100张，其中正样本为99张。虽然0.9阈值的正确率很高，为99/100;但是0.9阈值正确输出的数量确很少，只有99/600。这样很容易发生漏识的情况。

　　有的同学可能很快就通过这个场景联想到精确率和召回率的概念，是的，这也是需要应用精确率和召回率的实际评估场景之一。这里再解释一下精确率和召回率：

　　精确率(precision)：识别为正确的样本数/识别出来的样本数=99/100

　　召回率(recall)：识别为正确的样本数/所有样本中正确的数=99/600

　　(图by@mousever)

　　只有当选择的阈值实现：a.阈值以上结果的精确率极高;b.阈值以上结果的召回率极高。这个阈值才是在该算法模型下最佳阈值。

　　除精确率和召回率值得关注外，误报率(False Alarm)也是非常重要的指标。家用家用机器人/摄像头，可能会常开人脸检测，误报会非常影响用户体验(比如，没有异常情况但频繁报警提示)。因此误报率会是这类场景的重要指标。

　　另外在这一个识别的步骤中，产品还需要确定具体输出的需求点是人脸认证还是人脸识别——

　　1)人脸认证：一对一的匹配过程，解决“这是否为某人”的问题。系统需先找出已储存的对象信息，再将待认证的信息与前者对比核对，从而判定接受或拒绝待认证的身份。

　　常见的应用场景：例如移动支付认证、安全性身份核对等。

　　产品在系统设计的逻辑上，需要先考虑调取已储存对象信息的先验条件。通过界面/语音的提示，使得待认证者预先知道自己正处于被核对的过程中，且已预先了解拟核对对象的身份。