用于人脸识别的卷积神经网络的训练方法和装置的制造方法
【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（Convolutional 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和装置，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。
[0005] 为解决上述技术问题，本发明提供技术方案如下：
[0006] -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;其中：所述样本训练库包括多个样本类，每个样本类中包括多个 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样本的特征向量；
[0010] 计算每两个特征向量之间的距离；
[0011] 构建样本对训练库;其中：所述样本对训练库由所有人脸图像样本的样本对集合 组成，所述样本对集合包括异类样本对和同类样本对，所述异类样本对由人脸图像样本和 与该人脸图像样本距离小于一定值的人脸图像样本构成，所述同类样本对由人脸图像样本 和与该人脸图像样本距离大于一定值的人脸图像样本构成；
[0012] 使用所述样本对训练库训练卷积神经网络。
[0013] 一种人脸识别的方法，包括：
[0014] 米集人脸图像；
[0015] 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；
[0016] 使用所述特征向量进行人脸识别。
[0017] -种用于人脸识别的卷积神经网络的训练装置，包括：
[0018] 第一构建单元，用于构建样本训练库；其中：所述样本训练库包括多个样本类，每 个样本类中包括多个人脸图像样本；
[0019] 第一训练单元，用于使用所述样本训练库训练卷积神经网络；
[0020] 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样本的 特征向量；
[0021] 计算单元，用于计算每两个特征向量之间的距离；
[0022]第二构建单元，用于构建样本对训练库;其中：所述样本对训练库由所有人脸图像 样本的样本对集合组成，所述样本对集合包括异类样本对和同类样本对，所述异类样本对 由人脸图像样本和与该人脸图像样本距离小于一定值的人脸图像样本构成，所述同类样本 对由人脸图像样本和与该人脸图像样本距离大于一定值的人脸图像样本构成；
[0023]第二训练单元，用于使用所述样本对训练库训练卷积神经网络。
[0024] 一种人脸识别的装置，包括：
[0025]采集模块，用于采集人脸图像；
[0026] 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；
[0027] 识别模块，用于使用所述特征向量进行人脸识别。
[0028]本发明具有以下有益效果：
[0029] 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，并且计算两个特征向量之间的距离;在根据距离信息构建样本对训练库，然后 使用样本对训练再次训练卷积神经网络，对卷积神经网络的参数进一步调整。
[0030] 由于样本对训练库由所有人脸图像样本的异类样本对和同类样本对构成，异类样 本对由人脸图像样本和与该人脸图像样本距离小于一定值的人脸图像样本构成，同类样本 对由人脸图像样本和与该人脸图像样本距离大于一定值的人脸图像样本构成，使用样本对 训练库再次训练卷积神经网络，即使得卷积神经网络对这些同类样本对和异类样本的差异 更敏感，即前述的"加强差异性对比"，有效的避免了由于化妆和外部环境影响导致的识别 错误。
[0031] 因此，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。
【附图说明】
[0032] 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；
[0033] 图2为本发明中的卷积神经网络的一个实施例的示意图；
[0034] 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】
[0035] 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。
[0036] -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：
[0037] 步骤101:构建样本训练库；其中：样本训练库包括多个样本类，每个样本类中包 括多个人脸图像样本。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 本类包括多个人脸图像样本。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。
[0038] 步骤102:使用样本训练库训练卷积神经网络。训练时，需要在卷积神经网络后面 附加一个分类网络，该分类网络能把人脸图像样本分成k个类别（k为前述的样本类的数 量），然后通过反向传播得到卷积神经网络的各个参数值。
[0039] 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。
[0040] 步骤104:计算每两个特征向量之间的距离。距离是广义距离定义下的各种距离， 如欧氏距离、余弦距离或马氏距离等。
[0041] 步骤105:构建样本对训练库;其中：样本对训练库由所有人脸图像样本的样本对 集合组成，样本对集合包括异类样本对和同类样本对，异类样本对由人脸图像样本和与该 人脸图像样本距离小于一定值的人脸图像样本构成，同类样本对由人脸图像样本和与该人 脸图像样本距离大于一定值的人脸图像样本构成。
[0042] 步骤106:使用样本对训练库训练卷积神经网络。训练时，需要在卷积神经网络后 面附加一个分类网络，该分类网络能把人脸图像样本对的结果分成个2类别（即人脸样本对 是同一个人或不同的人），然后通过反向传播得到卷积神经网络的各个参数值。
[0043] 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 高身份的辨识度。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。
[0044] 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，并且计算两个特 征向量之间的距离;在根据距离信息构建样本对训练库，然后使用样本对训练再次训练卷 积神经网络，对卷积神经网络的参数进一步调整。
[0045] 由于样本对训练库由所有人脸图像样本的异类样本对和同类样本对构成，异类样 本对由人脸图像样本和与该人脸图像样本距离小于一定值的人脸图像样本构成，同类样本 对由人脸图像样本和与该人脸图像样本距离大于一定值的人脸图像样本构成，使用样本对 训练库再次训练卷积神经网络，即使得卷积神经网络对这些同类样本对和异类样本的差异 更敏感，即前述的"加强差异性对比"，有效的避免了由于化妆和外部环境影响导致的识别 错误。
[0046] 因此，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。
[0047] 本发明实施例中，可以采用各种方法训练卷积神经网络，优选的，步骤102中使用 样本训练库训练卷积神经网络的方法可以为：
[0048] 使用样本训练库，并通过sof tmax分类器训练卷积神经网络，sof tmax分类器的分 类数量与样本类的数量相同。
[0049]本实施例中，在训练时，先通过卷积神经网络提取出人脸图像样本的特征向量，然 后使用softmax分类器进行分类，此时的softmax分类器的分类数量与样本类的数量相同 (即样本类有几个，S0f tmax分类器就将人脸图像样本分为几类），再进行反向传播，如此迭 代多次，得到卷积神经网络的参数。本发明实施例通过softmax分类网络进行训练，避免了 梯度弥散问题。
[0050] 上述各个实施例中，距离是广义距离定义下的各种距离，即满足正定性，对称性以 及三角不等式的所有度量方法。为计算方便，优选的，距离为欧氏距离、余弦距离或马氏距 离。
[0051] 进一步的，步骤106中，使用样本对训练库训练卷积神经网络进一步为：
[0052] 使用样本训练库，并通过sof tmax分类器训练卷积神经网络，sof tmax分类器为二 分类器。
[0053]本实施例中，在训练时，先通过卷积神经网络提取出人脸图像样本的特征向量，然 后使用sof tmax分类器进行分类，此时的sof tmax分类器为二分类器（即sof tmax分类器对样 本对进行处理，判断是否为同一类），再进行反向传播，如此迭代多次，得到卷积神经网络的 参数。本发明实施例通过softmax分类网络进行训练，简单方便，避免了梯度弥散问题。 [0054] 而且，如图2所示，上述卷积神经网络包括：
[0055] 对人脸图像样本进行卷积操作，得到卷积特征图；
[0056] 对卷积特征图进行激活操作，得到激活特征图；
[0057] 对激活特