在人臉識別領域，有一些比較經典的算法，例如特征臉法（Eigenface）、局部二值模式法、Fisherface等，不過在這里選擇了一個目前應用比較廣泛且流行的方法作為示例，叫做OpenFace。當然，我們不做實際的測試，只是通過它來了解識別的原理。

OpenFace屬于基于模型的方法，它是一個開源庫，包含了landmark，head pose，Actionunions，eye gaze等功能，以及訓練和檢測所有源碼的開源人臉框架。

在前面的步驟中，已經為大家介紹如何通過HOG的方法將圖像中人臉的特征數據提取出來，也就是成功檢測到了人臉。

這時又有一個問題，就是這個人臉的姿勢好像不是那么“正”，同樣一個人，如果她的姿勢，面部的朝向不同，人類仍然能認出她來，而計算機可能就認不出了。

解決這個問題，有一個辦法，就是檢測人臉主要特征的特征點，然后根據這些特征點對人臉做對齊校準。這是Vahid Kazemi和Josephine Sullivan在2014年發明的方法，他們給人臉的重要部分選取68個特征點（Landmarks），這68個點的位置是固定的，所以只需要對系統進行一些訓練，就能在任何臉部找到這68個點。

圖片來源：OpenFace API

有了這68個點，就可以對人臉進行校正了，主要是通過仿射變換將原來比較歪的臉擺正，盡量消除誤差。這里的仿射變換主要還是進行一些旋轉、放大縮小或輕微的變形，而不是夸張的扭曲，那樣就不能看了。

圖片來源：OpenFace github說明頁面

過程大約是這樣，原來的臉被進行了一定程度的校正。

這樣我們把原始的人臉圖像以及HOG的特征向量輸入，能夠得到一張姿勢正確的只含有人臉的圖像。

注意，到這一步我們還不能直接拿這張人臉圖像去進行比對，因為工作量太大，我們要做的是繼續提取特征。

接著，我們將這個人臉圖像再輸入一個神經網絡系統，讓它為這個臉部生成128維的向量，也可以說是這個人臉的128個測量值，它們可以表示眼睛之間的距離，眼睛和眉毛的距離、耳朵的大小等等。這里只是方便大家理解而舉例，實際上具體這128維的向量表示了哪些特征，我們不得而知。

當然，這一步說起來簡單，其實難點在于如何訓練這樣的一個卷積神經網絡。具體的訓練方法不是我們需要了解的，但我們可以了解一下訓練的思路。訓練時我們可以輸入一個人臉圖像的向量表示、同一人臉不同姿態的向量表示和另一人臉的向量表示，反復進行類似的操作，并不斷調整，調整的目標是讓同一類對應的向量表示盡可能接近，其實也就是同一個人的向量表示盡可能距離較近，同理，不同類別的向量表示距離盡可能遠。

其實訓練的思路也很好理解，因為一個人的人臉不管姿態怎么變，在一段時間內有些東西是固定的，比如眼睛間的距離、耳朵的大小、鼻子的長度等。

在得到這128個測量值后，最后一步就簡單了，就是將這128個測量值和我們訓練、測試過的所有面部數據做比對，測量值最接近的，就是我們要識別的那個人了。這樣就可以完成一次人臉的識別。