二、人脸定位

面部特征点定位在人脸识别、表情识别、人脸动画等人脸分析任务中至关重要的一环。人脸定位算法需要选取若干个面部特征点，点越多越精细，但同时计算量也越大。兼顾精确度和效率，我们选用双眼中心点、鼻尖及嘴角五个特征点。经测试，它们在表情、姿态、肤色等差异上均表现出很好的鲁棒性。

人脸定位接口程序如下所示，需要先加载预先训练好的模型，再进行定位检测：

   人脸定位程序的效果如下所示：

    本算法在AFLW数据集上的定位误差及与其他算法的对比情况：

    三、人脸校准

本步骤目的是摆正人脸，将人脸置于图像中央，减小后续比对模型的计算压力，提升比对的精度。主要利用人脸定位获得的5个特征点（人脸的双眼、鼻尖及嘴角）获取仿射变换矩阵，通过仿射变换实现人脸的摆正。

目标图形以（x，y）为轴心顺时针旋转Θ弧度，变换矩阵为：

    人脸校准C＋＋代码可参考如下所示：

     一般此步骤不建议使用外部库做变换，所以这里提供仿射变换python源码以供参考：

    人脸校准的效果如图所示：

    四、人脸对比

人脸比对和人脸身份认证的前提是需要提取人脸独有的特征点信息。在人脸校准之后可以利用深度神经网络，将输入的人脸进行特征提取。 如将112×112×3的脸部图像提取256个浮点数据特征信息，并将其作为人脸的唯一标识。在注册阶段把256个浮点数据输入系统，而认证阶段则提取系统存储的数据与当前图像新生成的256个浮点数据进行比对最终得到人脸比对结果。

人脸比对流程的示意图如下所示：

    通过神经网络算法得到的特征点示意图如下：

而人脸比对则是对256个浮点数据之间进行距离运算。计算方式常用的有两种，一种是欧式距离，一种是余弦距离。x，y向量欧式距离定义如下：

x，y向量之间余弦距离定义如下：

余弦距离或欧式距离越大，则两个特征值相似度越低，属于同一个人的可能性越小。如下图，他们的脸部差异值为0．4296 大于上文所说的该模型最佳阈值0．36，此时判断两人为不同的人，可见结果是正确的。