[发明专利]用于人脸识别的卷积神经网络的训练方法、装置及应用

权利要求书

1.一种用于人脸识别的卷积神经网络的训练方法，其特征在于，包括：

构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；

使用所述样本训练库训练卷积神经网络；

使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；

使用分类器对所述特征向量进行分类；

计算每个样本类的分类正确率；

判断卷积神经网络是否达到设定要求，若是，结束，否则，执行下一步骤；

从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述使用所述样本训练库训练卷积神经网络的步骤。

2.根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述使用所述样本训练库训练卷积神经网络进一步为：

使用所述样本训练库，并通过BP算法训练卷积神经网络。

3.根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述判断卷积神经网络是否达到设定要求进一步为：

判断每个样本类的分类正确率是否都大于预先设定的正确率阈值，若是，结束，否则，执行下一步骤；

或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行下一步骤；

或者，判断所述卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行下一步骤。

4.根据权利要求1-3任一所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述卷积神经网络包括：

对人脸图像样本进行卷积操作，得到卷积特征图；

对卷积特征图进行激活操作，得到激活特征图；

对激活特征图进行下采样操作，得到采样特征图；

重复进行上述步骤若干次；

进行向量化操作，得到人脸图像样本特征向量。

5.一种人脸识别的方法，其特征在于，包括：

采集人脸图像；

使用卷积神经网络提取人脸图像的特征向量，所述卷积神经网络通过权利要求1-4任一所述的方法训练得到；

使用所述特征向量进行人脸识别。

6.一种用于人脸识别的卷积神经网络的训练装置，其特征在于，包括：

第一构建单元，用于构建样本训练库，所述样本训练库包括多个样本类，每个样本类中包括数量相同的人脸图像样本；

训练单元，用于使用所述样本训练库训练卷积神经网络；

提取单元，用于使用训练后的卷积神经网络提取所述样本训练库中的所有人脸图像样本的特征向量；

分类单元，用于使用分类器对所述特征向量进行分类；

计算单元，用于计算每个样本类的分类正确率；

判断单元，用于判断卷积神经网络是否达到设定要求，若是，结束，否则，执行第二构建单元；

第二构建单元，用于从分类正确率最高的样本类中删除一定数量的分类正确的人脸图像样本，向分类正确率最低的样本类中添加相同数量的人脸图像样本，构建新的样本训练库，并转至所述训练单元。

7.根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述训练单元进一步用于：

使用所述样本训练库，并通过BP算法训练卷积神经网络。

8.根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述判断单元进一步用于：

判断每个样本类的分类正确率是否都大于预先设定的正确率阈值，若是，结束，否则，执行第二构建单元；

或者，判断训练次数是否达到预先设定的次数阈值，若是，结束，否则，执行第二构建单元；

或者，判断所述卷积神经网络的损失函数是否小于预先设定的损失函数阈值，若是，结束，否则，执行第二构建单元。