使用神经网络进行人脸识别，网络将生成一个“面部描述符”，当然，取决于网络，通常是描述一个面部的128D向量（“通常，如果两个面部描述符向量具有欧几里得在他们之间小于0.6然后他们来自同一个人，否则他们来自不同的人。“ 1 ）。
我正在尝试开发一种具有面部识别功能的照片应用程序，虽然我不知道如何存储一个人的面部描述符。问题是不如何序列化它们，但是当同一个人有数百张不同的照片，但每个照片产生不同的面部描述符时（因为角度，光线等不同），选择存储哪一个？据推测，应该有一种方法来“改进”描述符，因为越来越多的照片被处理，没有训练神经网络。
谢谢！
答案 0 :(得分：2)
我问过Python face_recognition库的作者Adam Geitgey，他回答说：
有几种方法可以解决这个问题：
您可以为每个人保留一个面部编码。但是人们往往会随着时间的推移而改变等等。因此，对于大型图像集来说，这可能无法提供最佳准确度。
您可以为每个人进行所有面部编码，并训练一个分类器，该分类器决定哪个人用于新的面部编码。您可以使用SVM分类器，甚至可以使用简单的线性分类器。这是OpenFace使用的策略。不利的一面是，当用户添加并验证新数据时，您必须重复训练新的分类器。
更聪明的方法是使用像Chinese Whispers这样的聚类算法。想法是每个面部编码是图形数据结构中的节点。聚类算法自动对节点进行排序，以便最近距离节点聚集并且可以假设为同一个人。有一个dlib example program（用C ++编写）可以证明这一点。