[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

说明书

技术领域

本发明人脸识别领域，特别是指一种用于人脸识别的卷积神经网络的训练方法、装置及应用。

背景技术

随着深度学习的兴起，特别是深度卷积神经网络研究的深入，大量的基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的网络模型被应用到图像处理和图像识别等方面，特别是在人脸识别领域取得了令人瞩目的成绩。

在人脸识别和认证领域里通常会有这样的问题，例如，由于化妆和外部环境影响可能会出现两个不同人的照片很相似，相同人的两张照片差异较大。这类异常样本是造成识别错误的重要原因。

发明内容

本发明提供一种用于人脸识别的卷积神经网络的训练方法、装置及应用，该方法有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。

为解决上述技术问题，本发明提供技术方案如下：

一种用于人脸识别的卷积神经网络的训练方法，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。

一种人脸识别的方法，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上述的方法训练得到；

使用所述特征向量进行人脸识别。

一种用于人脸识别的卷积神经网络的训练装置，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。

一种人脸识别的装置，包括：

采集模块，用于采集人脸图像；

提取模块，用于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上述的装置训练得到；

识别模块，用于使用所述特征向量进行人脸识别。

本发明具有以下有益效果：

本发明首先使用样本训练库训练卷积神经网络，然后使用训练得到的卷积神经网络提取特征并分类，减少分类正确率最高的样本类中的人脸图像样本，并向分类正确率最低的样本类中填充人脸图像样本，在保证人脸图像样本总数不变的情况下，逐步增大正确率最低的样本类在样本训练库中的数量比例，逐步对一固定的卷积神经网络进行训练，直到达到设定要求。

本发明由于逐步增加正确率最低的样本类的数量，使得卷积神经网络对这类人脸图像样本更加“熟悉”，“即前述的不断扩大同类物体感知范围”，使得提取到的人脸图像的特征向量在识别时能够有效的避免了由于化妆和外部环境影响导致的识别错误。

并且，本发明是针对固定的一个卷积神经网络进行逐级训练，在没有增加任何额外参数前提下，逐步增加错分样本数量，所以可以有效避免过拟合。

综上所述，本发明有效的避免了由于化妆和外部环境影响导致的识别错误，并且避免了过拟合。

附图说明

图1为本发明的用于人脸识别的卷积神经网络的训练方法的一个实施例的流程图；

图2为本发明中的卷积神经网络的一个实施例的示意图；

图3为本发明的用于人脸识别的卷积神经网络的训练装置的一个实施例的示意图。

具体实施方式