[发明专利]人脸分类方法、装置及智能终端

权利要求书

1.一种人脸分类方法，其特征在于，包括下述步骤：

采集待测目标信息；

将所述待测目标信息输入通过输出目标与期望目标进行误差优化训练所得到的优化卷积神经网络模型中；

获取所述优化卷积神经网络模型输出的所述待测目标信息的分类结果；

所述优化卷积神经网络模型通过下述步骤训练形成：

获取标记有分类判断信息的训练样本数据，其中，所述训练样本数据包括：人脸数据对以及对所述人脸数据对进行标记的分类判断信息，所述分类判断信息包括：人体颜值，所述人脸数据对为对两张不同的图像进行颜值打分，各自标注每张图像中人体脸部的颜值，并标记出两张人脸图像中那张人脸图像所表示的人体脸部的颜值更高；

将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类参照信息；

通过止损函数比对所述训练样本数据内不同样本的模型分类参照信息，并判断所述比对结果与所述分类判断信息是否一致，其中，所述止损函数特征描述为：

L(a,b)＝Max(f(a)–f(b),0)(Label(a)<Label(b))；或

L(a,b)＝Max(f(b)–f(a),0)(Label(b)<Label(a))；

其中，a为人脸数据对中的一个样本数据，b为人脸数据对中另一个样本数据，Label(a)表示a的分类判断数据，Label(b)表示b的分类判断数据，f(a)表示卷积神经网络模型输出的a的模型分类参照数据，f(b)表示卷积神经网络模型输出的b的模型分类参照数据；

当所述比对结果与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束。

2.根据权利要求1所述的人脸分类方法，其特征在于，所述将所述训练样本数据输入卷积神经网络模型获取所述训练样本数据的模型分类参照信息，的步骤具体包括：

将所述训练样本数据输入卷积神经网络模型；

将所述卷积神经网络模型最后一层全连接的输出值作为激活函数的输入值获取模型分类参照信息，以使所述分类参照信息输出有界。

3.根据权利要求1所述的人脸分类方法，其特征在于，所述当所述比对结果与所述分类判断信息不一致时，反复循环迭代的更新所述卷积神经网络模型中的权重，至所述比对结果与所述分类判断信息一致时结束，的步骤具体包括：

当所述比对结果与所述分类判断信息不一致时，根据所述分类判断信息计算模型期望输出信息；

根据所述模型分类参照信息与所述模型期望输出信息的差值计算响应误差；

将所述训练样本数据与所述响应误差相乘求取权重的梯度；

将所述梯度与训练因子相乘后取反并将其与所述权重相加以更新所述权重；

反复循环迭代的更新所述权重，至所述比对结果与所述分类判断信息一致时结束。

4.根据权利要求3所述的人脸分类方法，其特征在于，所述训练因子特征描述为：

W＝W+Δ_W+lr*αW；

其中，W表示训练因子，lr表示第一参数值，α表示第二参数值，并定义函数：

其中，β表示第三参数值。