FACEHandler::FACEHandler()为最重要的函数
*原理
#对原始数据分离训练集和测试集 #转换为caffe可以处理的lmdb格式 #根据设定的Net网络和Solver配置文件进行训练 #得到训练的模型
*步骤
在我们组选择好训练数据和测试数据之后，就需要进行数据处理了，处理方法主要分为3个步骤。 #人脸检测 #人脸特征点检测 #人脸的对齐 采用卷积神经网络（CNN）方法，并且采用CNN最后一层的激活值输出作为features，不同的人脸区域放入CNN中提取特征，形成了互补、过完全的特征表示（form complementary and over-complete representations）。通过深度卷积网络来学习高级的过完全特征（有监督），CNN的最后一层激活值作为输出，
*具体细节
采用多尺度，多人脸区域，训练多个CNN网络，最后得出一张人脸图像的多维度特征。 CNN的结构如下：
*说明：
Face patches 是进过对齐过后的的人脸块，也就是说已左（右）眼为中心的人脸区域块，嘴角为中心的人脸区域块等等，这样就有多个不同的输入块输入到CNN中。最后再把不同的块所输出的特征连接起来，就形成了一个最终一张人脸的特征。然后再用各种分类器对其特征进行分类。采用argmax，softmax。
*输入图像：
多个人脸正方形块（因为后面要考虑到是全局图像还是局部图像，且需要考虑到尺度问题），其中局部图像是关键点（每个图像一个关键点）居中，不同的区域大小和不同的尺度图像输入到CNN中，其CNN的结构可能会不相同，最后将所有的特征级联起来。
*特点：
在训练CNN中，训练数据的类别越多，其性能越好，但是会在训练模型中出现问题，也就是太慢。CNN的输出是特征，而不是输出类别。分类采用Joint Bayesian 来进行人脸的verification；也采用了神经网络来比较，但是联合贝叶斯的效果比较好；
=====小结=====