人脸识别的方法和装置的制造方法
【技术领域】
[0001] 本发明属于人脸识别领域，特别是指一种人脸识别的方法和装置。
【背景技术】
[0002] 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，尤其是人脸识别方面，并且取得了令人瞩目的成绩。
[0003] 卷积神经网络的独特之处在于可以通过学习的方式来自动得到特征表达，无需人 工干预。然而所得到的特征可分性和解释能力依赖于网络的深度（网络的层数）。所以，深 度卷积神经网络应运而生，深度卷积神经网络一般经过多次的卷积操作、激活操作和下采 样操作，得到人脸图像的特征向量。不过，随着网络深度的增加，带来了如下问题：
[0004] 1、训练时间长，深度卷积神经网络在使用前需要进行训练，由于其深度大，需要训 练的参数多，因此训练时间长，并且深度卷积神经网络训练时使用的样本较多，进一步增加 了训练时间；
[0005] 2、容易出现过拟合，过拟合是指因过分强调对训练样本的效果导致过度拟合，使 得对未知预测样本效果就会变差的一种情况，过拟合产生的原因一般有为：样本过少或网 络参数过多。
[0006] 由上可知，对于给定的深度卷积神经网络，为防止过拟合，需要增加训练样本，但 是增加训练样本就会使得训练时间长，使得训练时间和过拟合问题不能兼顾。
【发明内容】
[0007] 本发明提供一种人脸识别的方法和装置，本发明减少了卷积神经网络的训练时 间，避免了卷积神经网络的过拟合，并且简单方便；识别方式更多样，准确率更高。
[0008] 为解决上述技术问题，本发明提供技术方案如下：
[0009] -种人脸识别的方法，包括：
[0010] 使用预先训练的多个卷积神经网络分别对待识别人脸图像进行特征提取，得到待 识别人脸图像的多个子特征向量，所述待识别人脸图像的多个子特征向量的维数相同； [0011] 对所述待识别人脸图像的多个子特征向量进行归一化；
[0012] 将所述归一化后的待识别人脸图像的多个子特征向量相加后乘以一个系数，得到 待识别人脸图像的联合特征向量；
[0013] 使用所述待识别人脸图像的联合特征向量进行人脸识别，或者/以及，使用所述 待识别人脸图像的多个子特征向量进行人脸识别。
[0014] -种人脸识别的装置，包括：
[0015] 子特征向量提取模块，用于使用预先训练的多个卷积神经网络分别对待识别人脸 图像进行特征提取，得到待识别人脸图像的多个子特征向量，所述待识别人脸图像的多个 子特征向量的维数相同；
[0016] 归一化模块，用于对所述待识别人脸图像的多个子特征向量进行归一化；
[0017] 计算模块，用于将所述归一化后的待识别人脸图像的多个子特征向量相加后乘以 一个系数，得到待识别人脸图像的联合特征向量；
[0018]人脸识别模块，用于使用所述待识别人脸图像的联合特征向量进行人脸识别，或 者/以及，使用所述待识别人脸图像的多个子特征向量进行人脸识别。
[0019] 本发明具有以下有益效果：
[0020] 本发明训练时间短。本发明的多个卷积神经网络可以并行同时训练，其深度比现 有技术中的深度卷积神经网络小，要训练的参数少，训练时使用的样本也少，因此训练时间 短。
[0021] 本发明避免了过拟合。由【背景技术】可知，对于给定的深度卷积神经网络，为防止过 拟合，需要增加训练样本，但是增加训练样本就会使得训练时间长，使得训练时间和过拟合 问题不能兼顾。
[0022] 现有技术中也存在避免过拟合的技术，如Dropout技术等。Dropout技术的实现方 式如下：在一次训练中，随机的使深度卷积神经网络末端（即最后一层）的输出的一部分值 保留，另一部分值清零。Dropout技术虽然能一定程度上避免过拟合，但是其实在深度卷积 神经网络的网络末端进行操作，操作复杂，不易实现。
[0023] 本发明将一个深度卷积神经网络"拆分"为并行的多个卷积神经网络，这些卷积 神经网络的深度小于深度卷积神经网络，但是多个卷积神经网络联合使用，其总体复杂度 (深度）也能达到深度卷积神经网络的深度。由于多个卷积神经网络的深度低，要训练的参 数就少，因此即使使用较少的样本完成对多个卷积神经网络的训练，也不会产生过拟合。
[0024] 并且，相比于Dropout技术在深度卷积神经网络的网络末端进行操作的方法，本 发明使用多个卷积神经网络代替深度卷积神经网络，更简单易行。
[0025]另外，本发明可以使用一个联合特征向量和/或多个子特征向量进行人脸识别， 使得识别方式更多样，准确率更高。
[0026]综上所述，本发明减少了卷积神经网络的训练时间，避免了卷积神经网络的过拟 合，并且简单方便；识别方式更多样，准确率更高。
【附图说明】
[0027]图1为本发明的人脸识别的方法的一个实施例的流程图；
[0028] 图2为本发明中的卷积神经网络的一个实施例的示意图；
[0029]图3为本发明的人脸识别的方法的一个实施例的示意图；
[0030]图4为本发明的人脸识别的装置的一个实施例的示意图。
【具体实施方式】
[0031]为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具 体实施例进行详细描述。
[0032]-方面，本发明实施例提供一种人脸识别的方法，如图1所示，包括：
[0033] 步骤101 :使用预先训练的多个卷积神经网络分别对待识别人脸图像进行特征提 取，得到待识别人脸图像的多个子特征向量，待识别人脸图像的多个子特征向量的维数相 同。
[0034] 本发明实施例中，需要预先训练出多个卷积神经网络，然后使用多个卷积神经网 络分别对待识别人脸图像进行处理，得到多个维数相同的子特征向量；其中多个卷积神经 网络的深度比现有技术中的深度卷积神经网络小。
[0035] 步骤102 :对待识别人脸图像的多个子特征向量进行归一化。为了后续处理的方 便，需要对子特征向量进行归一化，优选为二范数归一化，二范数归一化的操作为：将子特 征向量除以它自身的模长（二范数）。
[0036] 步骤103:将归一化后的待识别人脸图像的多个子特征向量相加后乘以一个系 数，得到待识别人脸图像的联合特征向量。
[0037]多个子特征向量均能够表征待识别人脸图像，进一步的，我们可以将多个子特征 向量联合成一个联合特征向量，使用该联合特征向量表征待识别人脸图像。具体的，可以将 多个子特征向量相加，然后乘以一个系数，该系数优选是子特征向量个数的倒数，即求多个 子特征向量的平均值。
[0038] 步骤104:使用待识别人脸图像的联合特征向量进行人脸识别，或者/以及，使用 待识别人脸图像的多个子特征向量进行人脸识别。由于多个子特征向量和一个联合特征向 量都能表征待识别人脸图像，因此可以单独使用一个联合特征向量进行人脸识别，也可以 使用多个子特征向量进行人脸识别，并且还可以综合使用一个联合特征向量和多个子特征 向量进行人脸识别。
[0039] 本发明实施例使用预先设计并训练得到的多个卷积神经网络分别对待识别人脸 图像进行处理，得到多个子特征向量；然后将归一化后的待识别人脸图像的多个子特征向 量相加后乘以一个系数，得到待识别人脸图像的联合特征向量；最后使用待识别人脸图像 的联合特征向量和/或者待识别人脸图像的多个子特征向量进行人脸识别。
[0040] 本发明实施例具有以下有益效果：
[0041] 本发明实施例训练时间短。本发明实施例的多个卷积神经网络可以并行同时训 练，其深度比现有技术中的深度卷积神经网络小，要训练的参数少，训练时使用的样本也 少，因此训练时间短。
[0042] 本发明实施例避免了过拟合。由【背景技术】可知，对于给定的深度卷积神经网络，为 防止过拟合，需要增加训练样本，但是增加训练样本就