用于人脸识别的卷积神经网络的训练方法、装置及应用
【技术领域】
[0001]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】
[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(Convolut1nal Neural Network, 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。
[0003]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】
[0004]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。
[0005]为解决上述技术问题，本发明提供技术方案如下:
[0006]一种用于人脸识别的卷积神经网络的训练方法，包括:
[0007]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；
[0008]使用所述样本训练库训练卷积神经网络；
[0009]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;
[0010]使用分类器对所述特征向量进行分类；
[0011]计算每个样本类的分类正确率；
[0012]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；
[0013]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。
[0014]一种人脸识别的方法，包括:
[0015]采集人脸图像；
[0016]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；
[0017]使用所述特征向量进行人脸识别。
[0018]一种用于人脸识别的卷积神经网络的训练装置，包括:
[0019]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；
[0020]训练单元，用于使用所述样本训练库训练卷积神经网络；
[0021]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；
[0022]分类单元，用于使用分类器对所述特征向量进行分类；
[0023]计算单元，用于计算每个样本类的分类正确率；
[0024]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；
[0025]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。
[0026]—种人脸识别的装置，包括:
[0027]采集模块，用于采集人脸图像；
[0028]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；
[0029]识别模块，用于使用所述特征向量进行人脸识别。
[0030]本发明具有以下有益效果:
[0031]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。
[0032]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。
[0033]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。
[0034]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】
[0035]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；
[0036]图2为本发明中的卷积神经网络的一个实施例的示意图；
[0037]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】
[0038]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。
[0039]—方面，本发明实施例提供一种用于人脸识别的卷积神经网络的训练方法，如图1所示，包括:
[0040]步骤101:构建样本训练库，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。样本训练库是经过预处理的人脸图像样本整理形成的样本全集。具体的，这些人脸图像样分为k个样本类(同一个人的人脸图像样分组成一个样本类)，每个样本类的人脸图像样本数量相同。并且每个人脸图像样本均对应有一个类别标签，一个样本类中的人脸图像样本的类别标签相同。
[0041]步骤102:使用样本训练库训练卷积神经网络。
[0042]步骤103:使用训练后的卷积神经网络提取样本训练库中的所有人脸图像样本的特征向量。将每个人脸图像样本都经过上述训练好的卷积神经网络，得到一个固定维数的特征向量。
[0043]步骤104:使用分类器对特征向量进行分类。具体的，使用softmax等分类器将每个特征向量分到k个类别cl, c2,…，ck中的一个。
[0044]步骤105:计算每个样本类的分类正确率。假设一个人脸图像样本属于第一个样本类，并且该人脸图像样本被分到了 cl类，则分类正确，否则，分类错误。
[0045]步骤106: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。本实施例需要迭代训练多次，本步骤是迭代的终止条件，达到设定要求是指卷积神经网络的精度达到设定值。
[0046]步骤107: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，再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，这些人脸图像样本必须是这一类的，构建出新的样本训练库，并转至步骤101。
[0047]基于人的认知特点:通过不断扩大同类物体感知范围和加强差异性对比，可以提高人对物体的辨识度。例如，对于陌生的双胞胎会经常出现错误识别，然而对于熟悉的双胞胎则可以迅速分辨。再如，对于熟悉的明星即便浓妆艳抹，也可以很容易被认出。
[0048]结合这一发现，类比到卷积神经网络的训练算法中，本发明实施例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。
[0049]本发明实施例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。
[0050]并且，本发明实施例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。
[0051]综上，本发明实施例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。
[0052]在对卷积神经网络进行训练时，优选通过BP算法训练卷积神经网络。
[0053]本发明实施例可以根据各种方法判断卷积神经网络是否达到设定要求，具体的实施例如下:
[0054]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，正确率阈值优选5%。，若是，结束，否则，执行下一步骤；本实施例可以使卷积神经网络具有较高的正确率。
[0055]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；本实施例可以通过经验预估训练次数，当训练次数达到次数阈值时，即认为卷积神经网络是否达到设定要求，本实施例简单方便。
[0056]或者，判断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；在卷积神经网络进行训练时，会用到损失函数，若损失函数收敛并小于损失函数阈值，则认为卷积神经网络是否达到设定要求，本实施例简单方便。
[0057]而且，如图2所示，上述卷积神经网络包括:
[0058]对人脸图像样本进行卷积操作，得到卷积特征图；
[0059]对卷积特征图进行激活操作，得到激活特征图；
[0060]对激活特征图进行下采样操作，得到采样特征图；
[0061 ] 重复进行上述步骤若干次；
[0062]进行向量化操作，得到人脸图像样本特征向量。
[0063]下面以一个优选的实施例对本发明的用于人脸识别的卷积神经网络的训练方法进行阐述:
[0064]1.将经过预处理的人脸图像样本整理形成样本训练库Si，保证每个人有相同数量的图像，即每类有相同的人脸图像样本数。
[0065]2.运用BP算法训练卷积神经网络结构，经过一定次数的迭代训练得到C