指定神经元的特征值的乘积，并计算所述乘积与所述指 定特征图的偏置项的和值；应用所述预设激活函数，对所述乘积与所述指定特征图的偏置 项的和值进行计算，得到所述神经元的输出结果。
[0059] 在另一实施例中，所述第二分类模块还用于将所述候选图像区域输入至所述预设 分类模型中；根据所述预设分类模型中已确定的每个特征图的权重矩阵、偏置项和所述预 设激活函数，计算所述候选图像区域的分类结果。
[0060] 根据本公开实施例的第三方面，提供了一种人脸识别装置，所述装置包括：
[0061] 处理器；
[0062] 用于存储处理器可执行指令的存储器；
[0063] 其中，所述处理器被配置为：
[0064] 基于训练的强分类器，对图像的每个区域进行分类，得到所述图像的多个候选图 像区域，所述强分类器由多个弱分类器组成，所述多个弱分类器基于同一训练样本集训练 而成；
[0065] 遍历所述多个候选图像区域；
[0066] 对于当前遍历到的候选图像区域，基于预设分类模型，对所述候选图像区域进行 分类，得到所述候选图像区域的分类结果，所述分类结果为人脸区域或者非人脸区域；
[0067] 从所述多个候选图像区域中，提取出分类结果为人脸区域的候选图像区域；
[0068] 其中，所述预设分类模型包括多个网络层，每个网络层由多个特征图组成，每个特 征图由多个神经元组成，同一特征图内的每个神经元的权重矩阵相同。
[0069] 本公开的实施例提供的技术方案可以包括以下有益效果：
[0070] 本实施例提供的方法和装置，通过在基于强分类器对图像进行分类之后，将划分 出的人脸区域作为候选图像区域，基于预设分类模型，对每个候选图像区域继续进行分类， 得到分类结果，该预设分类模型包括多个网络层，对人脸区域和非人脸区域具有良好的区 分性，提高了分类准确率，提升了人脸识别的效果，降低了人脸识别的错误率，且避免了对 分类速度的影响。
[0071] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本 公开。
【附图说明】
[0072] 此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施 例，并与说明书一起用于解释本公开的原理。
[0073] 图1是根据一示例性实施例示出的一种人脸识别方法的流程图；
[0074] 图2是根据一示例性实施例示出的一种人脸识别方法的流程图；
[0075] 图3是根据一示例性实施例示出的一种人脸识别装置的框图；
[0076] 图4是根据一示例性实施例示出的一种用于人脸识别装置的框图。
【具体实施方式】
[0077] 为使本公开的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对 本公开做进一步详细说明。在此，本公开的示意性实施方式及其说明用于解释本公开，但并 不作为对本公开的限定。
[0078] 本公开实施例提供一种人脸识别方法和装置，以下结合附图对本公开进行详细说 明。
[0079] 图1是根据一示例性实施例示出的一种人脸识别方法的流程图，如图1所示，人脸 识别方法用于分类装置中，包括以下步骤：
[0080] 在步骤101中，基于训练的强分类器，对图像的每个区域进行分类，得到该图像的 多个候选图像区域，该强分类器由多个弱分类器组成，该多个弱分类器基于同一训练样本 集训练而成。
[0081] 在步骤102中，遍历该多个候选图像区域。
[0082] 在步骤103中，对于当前遍历到的候选图像区域，基于预设分类模型，对该候选图 像区域进行分类，得到该候选图像区域的分类结果，该分类结果为人脸区域或者非人脸区 域。
[0083] 在步骤104中，从该多个候选图像区域中，提取出分类结果为人脸区域的候选图 像区域。
[0084] 其中，该预设分类模型包括多个网络层，每个网络层由多个特征图组成，每个特征 图由多个神经元组成，同一特征图内的每个神经元的权重矩阵相同。
[0085] 本实施例中，先基于强分类器对图像进行分类，初步确定了该图像中的人脸区域。 但是，由于该强分类器由多个弱分类器组成，而弱分类器在训练时采用的特征均为弱特征， 只能对图像进行简单地描述，这会导致该强分类器的分类准确率很低。为了提高分类准确 率，在基于该强分类器对该图像进行分类之后，将初步确定的人脸区域作为候选图像区域， 基于预设分类模型，对候选图像区域继续进行分类，得到分类结果。该预设分类模型包括多 个网络层，可以通过深度学习的方式进行训练，使得该预设分类模型对人脸区域和非人脸 区域具有良好的区分性，在对候选图像区域进行分类时，大大提高了分类准确率，降低了人 脸识别的错误率，且该预设分类模型仅对几个候选图像区域进行分类，而无需对整个图像 进行分类，避免了对分类速度的影响。
[0086] 本实施例提供的方法，通过在基于强分类器对图像进行分类之后，将划分出的人 脸区域作为候选图像区域，基于预设分类模型，对每个候选图像区域继续进行分类，得到分 类结果，该预设分类模型包括多个网络层，对人脸区域和非人脸区域具有良好的区分性，提 高了分类准确率，提升了人脸识别的效果，降低了人脸识别的错误率，且避免了对分类速度 的影响。
[0087] 在另一实施例中，该基于训练的强分类器，对图像的每个区域进行分类，得到该图 像的多个候选图像区域，包括：
[0088] 遍历多种尺寸，所遍历的每种尺寸均不大于该图像的尺寸；
[0089] 按照当前遍历到的尺寸，对该图像进行划分，得到该图像的多个区域；
[0090] 对于划分得到的每个区域，
[0091] 根据预设特征提取算法，提取该区域的特征；
[0092] 根据该区域的特征和该强分类器，获取该区域的分类结果，该分类结果为人脸区 域或者非人脸区域；
[0093] 如果该区域的分类结果为人脸区域，则将该区域作为候选人脸区域。
[0094] 在另一实施例中，该对于当前遍历到的候选图像区域，基于预设分类模型，对该候 选图像区域进行分类，得到该候选图像区域的分类结果之前，该方法还包括：
[0095] 对该预设分类模型中每个特征图的权重矩阵和偏置项进行初始化；
[0096] 根据该预设分类模型中每个特征图的权重矩阵、偏置项和预设激活函数，计算样 本图像的输出结果；
[0097] 计算该输出结果与该样本图像的预设理论结果之间的差值；
[0098] 根据该差值，对该预设分类模型中每个特征图的权重矩阵和偏置项进行调整；
[0099] 基于调整后的权重矩阵和偏置项以及该预设激活函数，继续计算该样本图像的输 出结果，直至计算出的输出结果与该预设理论结果之间的差值小于预设阈值时停止，得到 该预设分类模型中每个特征图的权重矩阵和偏置项。
[0100] 在另一实施例中，该根据该预设分类模型中每个特征图的权重矩阵、偏置项和预 设激活函数，计算样本图像的输出结果，包括：
[0101] 将该样本图像输入该预设分类模型中的第一个网络层；
[0102] 在该预设分类模型的每个网络层中，根据上一个网络层的输出结果以及当前网络 层中每个特征图的权重矩阵、偏置项和该预设激活函数，计算输出结果；
[0103] 将当前网络层的输出结果输入至下一网络层中，继续计算下一网络层的输出结 果，直至计算出最后一层的输出结果。
[0104] 在另一实施例中，该预设分类模型包括卷积层；在该预设分类模型的每个网络层 中，根据上一个网络层的输出结果以及当前网络层中每个特征图的权重矩阵、偏置项和该 预设激活函数，计算输出结果，包括：
[0105] 获取上一个网络层的每个特征图中的每个神经元的输出结果；
[0106] 对于该卷积层的每个特征图中的每个指定神经元，
[0107] 根据上一个网络层中每个神经元与该指定神经元之间的连接权重，对获取到的上 一个网络层中每个神经元的输出结果进行加权求和，得到该指定神经元的特征值；
[0108] 计算该指定神经元的特征值与该指定神经元所在特征图的偏置项的和值；
[0109] 应用该预设激活函数，对该和值进行计算，得到该指定神经元的输出结果。
[0110] 在另一实施例中，该预设分类模型包括子采样层；在该预设分类模型的每个网络 层中，根据上一个网络层的输出结果以及当前网络层中每个特征图的权重矩阵、偏置项和 该预设激活函数，计算输出结果，包括：
[0111] 对于该子采样层的每个特征图中的每个指定神经元，
[0112] 获取在上一个网络层的每个特征图中的连接神经元的输出结果，该连接神经元是 指上一个网络层中，所在的特征图与该指定神经元所在的特征图的位置相同、子采样窗口 与该指定神经元的子采样窗口的尺寸相同且互不重叠的神经元；
[0113] 计算上一个网络层中，与该指定神经元所在的指定特征图的位置相同的特征图中 的连接神经元的输出结果的和值，作为该指定神经元的特征值；
[0114] 计算该指定特征图的权重矩阵与该指定神经元的特征值的乘积，并计算该乘积与 该指定特征图的偏置项的和值；
[0115] 应用该预设激活函数，对该乘积与该指定特征图的偏置项的和值进行计算，得到 该神经元的输出结果。
[0116] 在另一实施例中，该基于预设分类模型，对该候选图像区域进行分类，得到该候选 图像区域的分类结果，包括：
[0117] 将该候选图像区域输入至该预设分类模型中；
[0118] 根据该预设分类模型中已确定的每个特征图的权重矩阵、偏置项和该预设激活函 数，计算该候选图像区域的分类结果。
[0119] 上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再 --赘述。
[0120] 图2是根据一示例性实施例示出的一种人脸识别方法的流程图，如图2所示，人脸 识别方法用于分类装置中，包括以下步骤：
[0121] 在步骤201中，分类装置基于训练的强分类器，对图像的每个区域进行分类，得到 该图像的多个候选图像区域。
[0122] 其中，该分类装置可以为计算机或者服务器等设备，该强分类器可以由该分类装 置通过训练得到，也可以由其他设备训练后发送给该分类装置，本实施例对此均不做