算法需求规格说明书
1.1算法概况
1.1.1算法名称
人脸识别
1.1.2算法介绍
算法用途、开发背景、应用领域。
目标是得到几个人脸检测模型以及人脸识别模型，该模型可以快速准确定位出人脸以及人脸关键点，并与数据集中所存人脸信息进行对比，最终获得该人身份。通过几种算法对人脸的识别和处理实现人脸识别模型识别精度的提升。
1.1.3运行平台
算法实际运行环境介绍。
使用 python3.7语言进行编程，所用深度学习框架为tensorflow，操作系统为win10。计算机cpu 为Intel(R) Core(TM) i5-8250。
1.2性能要求和验收标准
1.2.1性能要求
人脸识别模型识别精度有提升。
对数据集直接使用深度学习方法（facenet，Resnet）的人脸识别模型识别精度比传统机器学习方法（svm）的人脸识别模型识别精度高。
使用数据增强方法后再进行人脸检测和人脸识别后的识别精度比直接使用分类算法（facenet，Resnet）进行人脸识别的精度高。
1.2.2验收标准
算法模型在指定数据集上可以运行成功，计算出4个性能指标，能达到性能要求。
1.3功能需求描述
主要包括图像采集、图像预处理、人脸检测、人脸识别四个功能模块。
(1)图像采集子模块。图像采集子模块主要解决人脸图像来源的问题。人脸图像是本地文件系统中已存的静态图像。采用的数据集是公开数据集LFW, VGGFace2，Celeba。
(2)图像预处理子模块。为了增强后续的识别过程的识别率,预处理子模块主要进行对图像进行平移，生成式对抗网络等数据增强操作。
(3)人脸检测子模块。人脸检测子模块主要负责对人脸图像中的人脸进行检测和定位。在人脸图像找出人脸,并将人脸保存。采用的检测算法为，mtcnn。
(4)人脸识别子模块。识别过程包括两个部分:训练过程和识别过程。识别针对的图像是经过预处理后的图像。该模块采用的人脸识别算法为，svm，facenet，Resnet。
(5) 计算精度(Accuracy)，验证率（Validation rate,@ FAR = -10e-3），曲线下面积（AUC）和等误差率（Equal Error Rate, EER）等性能指标。
模型1：数据集+svm
模型2：数据集+mtcnn+resnet
模型3：数据集+facenet
模型4：数据集+平移和生成式对抗网络数据增强操作+mtcnn+resnet
模型5：数据集+平移和生成式对抗网络数据增强操作+facenet