征图进行下采样操作，得到采样特征图；
[0058]对采样特征图重复进行上述步骤若干次；
[0059]进行向量化操作，得到人脸图像样本特征向量。
[0060]下面以一个优选的实施例对本发明进行阐述：
[0061 ] 1 ·首先在分类任务下训练卷积神经网络，针对CNN+sof tmax分类器的结构，在经过 预处理的样本训练库·!(&:<)},φ,3 (这里[η]表示集合U，2，···，n}，Xl表示第i个人脸图像样 本，jf为对应个体的类别标签，即指示第i个样本是哪个人)上训练该CNN网络。
[0062] 2.以训练后的卷积神经网络作为人脸图片特征提取器，提取所有人脸图像样本的 特征向量{ ( f i ) } iE[n]。这里所有的特征向量维数均相同。
[0063] 3.随后计算两两组合的特征向量之间的距离，这里的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。例如欧氏距离，余弦距离， 马氏距离等等。
[0064] 4.结合步骤3中计算出的两两特征向量间的距离，对每个人脸图像样本构造样本 对集合。样本对集合包括与该样本最近的两个或多个异类样本，与之形成的异类样本对。以 及与该样本最远的两个或多个同类样本与之形成的同类样本对。然后形成新的样本对训练 库：
[0065]
这里是与弟i个特祉冋重跑呙弟m旌的冋突秤本特祉。％是与第i个特征向量 距离第m近的异类样本特征。73表示相同人的二维向量[1，0] '，yd表示相同人的二维向量[0， 1]，。
[0067] 5.将步骤1训练后的CNN网络与一个softmax二分类器结合，在样本对训练库上面 用BP算法训练CNN网络，得到最终的卷积神经网络。
[0068] 另一方面，本发明实施例提供一种人脸识别的方法，包括：
[0069]米集人脸图像；
[0070] 使用卷积神经网络提取人脸图像的特征向量，卷积神经网络通过上述方法训练得 到；
[0071] 使用特征向量进行人脸识别。
[0072] 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。
[0073] 再一方面，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装置，如 图3所示，包括：
[0074] 第一构建单元11，用于构建样本训练库；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；
[0075] 第一训练单元12,用于使用样本训练库训练卷积神经网络；
[0076] 提取单元13,用于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；
[0077]计算单元14,用于计算每两个特征向量之间的距离；
[0078] 第二构建单元15,用于构建样本对训练库;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；
[0079] 第二训练单元16,用于使用样本对训练库训练卷积神经网络。
[0080] 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。
[0081] 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，
[0082] 第一训练单元进一步用于：
[0083] 使用样本训练库，并通过softmax分类器训练卷积神经网络，softmax分类器的分 类数量与样本类的数量相同。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。
[0084]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。
[0085]进一步的，第二训练单元进一步用于：
[0086] 使用样本训练库，并通过softmax分类器训练卷积神经网络，softmax分类器为二 分类器。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。 [0087] 而且，上述卷积神经网络包括：
[0088] 卷积单元，用于对人脸图像样本进行卷积操作，得到卷积特征图；
[0089] 激活单元，用于对卷积特征图进行激活操作，得到激活特征图；
[0090] 下采样单元，用于对激活特征图进行下采样操作，得到采样特征图；
[0091] 对采样特征图重复进行上述步骤若干次；
[0092] 向量化单元，用于进行向量化操作，得到人脸图像样本特征向量。
[0093] 再一方面，本发明实施例提供一种人脸识别的装置，包括：
[0094]采集模块，用于采集人脸图像；
[0095] 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，卷积神经网络通过 上述任一的装置训练得到；
[0096] 识别模块，用于使用特征向量进行人脸识别。
[0097] 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。
[0098] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员 来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也 应视为本发明的保护范围。
【主权项】
1. 一种用于人脸识别的卷积神经网络的训练方法，其特征在于，包括： 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； 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样本的特征向量； 计算每两个特征向量之间的距离； 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； 使用所述样本对训练库训练卷积神经网络。2. 根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述 使用所述样本训练库训练卷积神经网络进一步为： 使用所述样本训练库，并通过softmax分类器训练卷积神经网络，所述softmax分类器 的分类数量与所述样本类的数量相同。3. 根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述 距离为欧氏距离、余弦距离或马氏距离。4. 根据权利要求1所述的用于人脸识别的卷积神经网络的训练方法，其特征在于，所述 使用所述样本对训练库训练卷积神经网络进一步为： 使用所述样本训练库，并通过softmax分类器训练卷积神经网络，所述softmax分类器 为二分类器。5. -种人脸识别的方法，其特征在于，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权利要求1-4任 一所述的方法训练得到； 使用所述特征向量进行人脸识别。6. -种用于人脸识别的卷积神经网络的训练装置，其特征在于，包括： 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； 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； 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； 计算单元，用于计算每两个特征向量之间的距离； 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； 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。7. 根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述 第一训练单元进一步用于： 使用所述样本训练库，并通过softmax分类器训练卷积神经网络，所述softmax分类器 的分类数量与所述样本类的数量相同。8. 根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述 距离为欧氏距离、余弦距离或马氏距离。9. 根据权利要求6所述的用于人脸识别的卷积神经网络的训练装置，其特征在于，所述 第二训练单元进一步用于： 使用所述样本训练库，并通过softmax分类器训练卷积神经网络，所述softmax分类器 为二分类器。10. -种人脸识别的装置，其特征在于，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 权利要求6-9任一所述的装置训练得到； 识别模块，用于使用所述特征向量进行人脸识别。
【专利摘要】本发明公开了一种用于人脸识别的卷积神经网络的训练方法和装置，属于人脸识别领域，该方法包括：构建样本训练库；使用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样本训练库中的所有样本的特征向量；计算每两个特征向量之间的距离；构建样本对训练库；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；使用样本对训练库训练卷积神经网络。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。
【IPC分类】G06K9/00, G06N3/08
【公开号】CN105512620
【申请号】CN201510857317
【发明人】丁松, 江武明, 单成坤
【申请人】北京天诚盛业科技有限公司
【公开日】2016年4月20日
【申请日】2015年11月30日