初探人臉辨識
1. 何謂人臉辨識？
隨著電腦視覺不斷的進步，使生活越來越便利，人們可以透過人臉辨識來取代日常生活中的密碼、作為錢包或網銀的安全認證等等，此項技術正逐漸融入到各個領域之中，而人臉辨識可以細分為人臉驗證(Face Verification)和人臉辨識(Face Recognition)
(1) Face Verification (人臉驗證)
是一對一的比對，來判斷兩者是否為同一個人，如果達到設定的門檻值(例如：相似度達95%以上)，則可視為是同一人。
常見應用：
(2) Face Recognition (人臉辨識)
是一對多的比對，主要是和數據庫的資料進行比對，用來找出最相近的人。
常見應用：
2. 人臉辨識流程
人臉辨識大致可以分為三個步驟：人臉偵測、人臉對齊和特徵學習
(1) 人臉偵測 (Face Detection)
找出圖片中的人臉位置，並標示出眉毛、眼睛、鼻子、嘴巴等等位置，下圖為使用Dlib facial landmark model的 5 點模型和 68 點模型來標示臉部特徵。
(2) 人臉對齊 (Face Alignment)
圖片中的人臉角度不同會影響辨識精準度，因此需要先校正五官位置調整照片角度，讓每張圖片的人臉角度相近。
(3) 特徵學習 (Feature Representation)
將調整角度過後的五官位置經過深度學習轉成特徵向量，再透過特徵向量去進行分類、相似性比對等等得到結果。
在進行人臉辨識時，如果我們沒有足夠的樣本數可以進行訓練的話怎麼辦呢？
One shot learning
在現實情境中，公司通常只會有一張員工的照片，且會有新成員加入，想要實做出人臉辨識Face Recognition，在只有一張照片作為深度學習的訓練資料的情況下效果會很差，此時我們就可以透過one shot learning來實現。
one shot learning(單樣本學習)，當訓練資料很稀少時使用，此方法主要是透過學習和其他資料之間的不相似度來達成，如果是使用我們常用的CNN來做訓練會需要這個員工不同面向的多張這片才能達成，這種方法的成本太高；但是如果是學習資料之間的不相似度，假如有N位員工，我們就會有N-1個訓練資料，此時只要計算出每個資料之間的距離，再和設定的閾值做比對，小於閾值表示兩者相似，大於閾值則表示兩者距離很遠，比對失敗。
學習不相似度可以透過Siamese network(孿生架構)來實現，將輸入的兩張照片，經過神經網路(可以是LSTM、CNN…)，這兩個神經網路會共享參數與權重，而最小化損失函數可用triplet loss(三元組損失)
在triplet loss中會有三種照片
- Anchor: 要比較的人臉照片
- Positive: 跟 Anchor 是同個人的照片
- Negative: 跟 Anchor 是不同人的照片
目標是希望這三張照片在經過學習之後，Anchor到Positive距離要小於Anchor到Negative的距離越多越好
最後，人臉辨識中的單樣本學習簡單如下圖所示，圖中Anchor簡稱A，Positive簡稱P，Negative簡稱N：
3. 常見工具
- OpenCV
OpenCV全名是Open Source Computer Vision Library，是常被拿來使用的影像處理函式庫，OpenCV主要是使用C++語言所編寫，但它有提供像是Python, Java, C#, Ruby的API介面，而OpenCV也廣泛應用在人臉辨識、物體辨識、動態影像識別等等。 - Dlib
Dlib是使用C++所編寫，是一套包含機器學習、計算機視覺、圖像處理的函式庫，內含建立好的人臉68個特徵模型、人臉5個特徵模型等各式模型，主要應用在機器學習、影像處理、影像辨識等等，此外，Dlib也有提供Python API做使用。
這邊也和大家推薦幾篇教學文，透過OpenCV和Dlib來實作人臉辨識
在對人臉辨識技術有了初步的認識之後，我們可以將其廣泛應用在不同的情境，像是常見的辨識貓狗、是否配戴口罩，或是結合深度學習去辨識人是否有抽煙習慣…，結合各個不同的領域做進一步的應用！
參考資料
理解優缺點及應用概況 人臉辨識簡易實作動手玩
使用深度學習進行人臉辨識: Triplet loss, Large margin loss(ArcFace)
你的AI會看圖嗎? Open CV介紹
人臉辨識的困難與突破
人臉辨識(Face recognition) 解析與實作
教育部補助大專院校STEM領域及女性研發人才培育計畫目標為建構一個「以智慧物聯技術與實務應用為基礎的教育環境和實作場域」，並規劃出符合此STEM教育領域的創新特色課程，以畢業前進入企業實習的方式，讓學生了解相關產業界所面對的問題，再輔以業界實作場域的教育訓練活動，共同帶領學生發展出動手做、判斷與解決問題的相關技能；本計畫也規劃讓學生以專題實作的組隊方式，跟業界協力領導學生對外參與智慧物聯技術的應用競賽，不僅可以累積學生實務開發的能力，更能激發其潛能來幫助企業解決所面臨的難題。
Data Science Meetup 台灣資料科學社群的使命是「為資料科學人士與企業創建經濟機會」。我們相信大數據蘊藏著巨量的信息和價值，如何處理好大數據並發掘其潛藏的商業價值，就要靠資料科學有效的應用。21世紀是資料科學決勝時代，我們社群將為大家提供與資料科學相關的最新技術和資訊實戰攻略，並透過全球業界人士和學者幫助相關職業規劃與挑戰，社群活動包含
- 台北實體版聚
- 線上版聚
- Mentorship Program
歡迎加入我們社團瞭解更多資訊：
https://www.facebook.com/groups/datasciencemeetup/
