人臉識別的方法和裝置的制造方法
【技術領域】
[0001] 本發(fā)明屬于人臉識別領域，特別是指一種人臉識別的方法和裝置。
【背景技術】
[0002] 隨著深度學習的興起，特別是深度卷積神經網絡研究的深入，大量的基于卷積神 經網絡（ConvolutionalNeuralNetwork,CNN)的網絡模型被應用到圖像處理和圖像識別 等方面，尤其是人臉識別方面，并且取得了令人矚目的成績。
[0003] 卷積神經網絡的獨特之處在于可以通過學習的方式來自動得到特征表達，無需人 工干預。然而所得到的特征可分性和解釋能力依賴于網絡的深度（網絡的層數）。所以，深 度卷積神經網絡應運而生，深度卷積神經網絡一般經過多次的卷積操作、激活操作和下采 樣操作，得到人臉圖像的特征向量。不過，隨著網絡深度的增加，帶來了如下問題：
[0004] 1、訓練時間長，深度卷積神經網絡在使用前需要進行訓練，由于其深度大，需要訓 練的參數多，因此訓練時間長，并且深度卷積神經網絡訓練時使用的樣本較多，進一步增加 了訓練時間；
[0005] 2、容易出現過擬合，過擬合是指因過分強調對訓練樣本的效果導致過度擬合，使 得對未知預測樣本效果就會變差的一種情況，過擬合產生的原因一般有為：樣本過少或網 絡參數過多。
[0006] 由上可知，對于給定的深度卷積神經網絡，為防止過擬合，需要增加訓練樣本，但 是增加訓練樣本就會使得訓練時間長，使得訓練時間和過擬合問題不能兼顧。

【發(fā)明內容】

[0007] 本發(fā)明提供一種人臉識別的方法和裝置，本發(fā)明減少了卷積神經網絡的訓練時 間，避免了卷積神經網絡的過擬合，并且簡單方便；識別方式更多樣，準確率更高。
[0008] 為解決上述技術問題，本發(fā)明提供技術方案如下：
[0009] -種人臉識別的方法，包括：
[0010] 使用預先訓練的多個卷積神經網絡分別對待識別人臉圖像進行特征提取，得到待 識別人臉圖像的多個子特征向量，所述待識別人臉圖像的多個子特征向量的維數相同； [0011] 對所述待識別人臉圖像的多個子特征向量進行歸一化；
[0012] 將所述歸一化后的待識別人臉圖像的多個子特征向量相加后乘以一個系數，得到 待識別人臉圖像的聯合特征向量；
[0013] 使用所述待識別人臉圖像的聯合特征向量進行人臉識別，或者/以及，使用所述 待識別人臉圖像的多個子特征向量進行人臉識別。
[0014] -種人臉識別的裝置，包括：
[0015] 子特征向量提取模塊，用于使用預先訓練的多個卷積神經網絡分別對待識別人臉 圖像進行特征提取，得到待識別人臉圖像的多個子特征向量，所述待識別人臉圖像的多個 子特征向量的維數相同；
[0016] 歸一化模塊，用于對所述待識別人臉圖像的多個子特征向量進行歸一化；
[0017] 計算模塊，用于將所述歸一化后的待識別人臉圖像的多個子特征向量相加后乘以 一個系數，得到待識別人臉圖像的聯合特征向量；
[0018]人臉識別模塊，用于使用所述待識別人臉圖像的聯合特征向量進行人臉識別，或 者/以及，使用所述待識別人臉圖像的多個子特征向量進行人臉識別。
[0019] 本發(fā)明具有以下有益效果：
[0020] 本發(fā)明訓練時間短。本發(fā)明的多個卷積神經網絡可以并行同時訓練，其深度比現 有技術中的深度卷積神經網絡小，要訓練的參數少，訓練時使用的樣本也少，因此訓練時間 短。
[0021] 本發(fā)明避免了過擬合。由【背景技術】可知，對于給定的深度卷積神經網絡，為防止過 擬合，需要增加訓練樣本，但是增加訓練樣本就會使得訓練時間長，使得訓練時間和過擬合 問題不能兼顧。
[0022] 現有技術中也存在避免過擬合的技術，如Dropout技術等。Dropout技術的實現方 式如下：在一次訓練中，隨機的使深度卷積神經網絡末端（即最后一層）的輸出的一部分值 保留，另一部分值清零。Dropout技術雖然能一定程度上避免過擬合，但是其實在深度卷積 神經網絡的網絡末端進行操作，操作復雜，不易實現。
[0023] 本發(fā)明將一個深度卷積神經網絡"拆分"為并行的多個卷積神經網絡，這些卷積 神經網絡的深度小于深度卷積神經網絡，但是多個卷積神經網絡聯合使用，其總體復雜度 (深度）也能達到深度卷積神經網絡的深度。由于多個卷積神經網絡的深度低，要訓練的參 數就少，因此即使使用較少的樣本完成對多個卷積神經網絡的訓練，也不會產生過擬合。
[0024] 并且，相比于Dropout技術在深度卷積神經網絡的網絡末端進行操作的方法，本 發(fā)明使用多個卷積神經網絡代替深度卷積神經網絡，更簡單易行。
[0025]另外，本發(fā)明可以使用一個聯合特征向量和/或多個子特征向量進行人臉識別， 使得識別方式更多樣，準確率更高。
[0026]綜上所述，本發(fā)明減少了卷積神經網絡的訓練時間，避免了卷積神經網絡的過擬 合，并且簡單方便；識別方式更多樣，準確率更高。
【附圖說明】
[0027]圖1為本發(fā)明的人臉識別的方法的一個實施例的流程圖；
[0028] 圖2為本發(fā)明中的卷積神經網絡的一個實施例的示意圖；
[0029]圖3為本發(fā)明的人臉識別的方法的一個實施例的示意圖；
[0030]圖4為本發(fā)明的人臉識別的裝置的一個實施例的示意圖。
【具體實施方式】
[0031]為使本發(fā)明要解決的技術問題、技術方案和優(yōu)點更加清楚，下面將結合附圖及具 體實施例進行詳細描述。
[0032]-方面，本發(fā)明實施例提供一種人臉識別的方法，如圖1所示，包括：
[0033] 步驟101 :使用預先訓練的多個卷積神經網絡分別對待識別人臉圖像進行特征提 取，得到待識別人臉圖像的多個子特征向量，待識別人臉圖像的多個子特征向量的維數相 同。
[0034] 本發(fā)明實施例中，需要預先訓練出多個卷積神經網絡，然后使用多個卷積神經網 絡分別對待識別人臉圖像進行處理，得到多個維數相同的子特征向量；其中多個卷積神經 網絡的深度比現有技術中的深度卷積神經網絡小。
[0035] 步驟102 :對待識別人臉圖像的多個子特征向量進行歸一化。為了后續(xù)處理的方 便，需要對子特征向量進行歸一化，優(yōu)選為二范數歸一化，二范數歸一化的操作為：將子特 征向量除以它自身的模長（二范數）。
[0036] 步驟103:將歸一化后的待識別人臉圖像的多個子特征向量相加后乘以一個系 數，得到待識別人臉圖像的聯合特征向量。
[0037]多個子特征向量均能夠表征待識別人臉圖像，進一步的，我們可以將多個子特征 向量聯合成一個聯合特征向量，使用該聯合特征向量表征待識別人臉圖像。具體的，可以將 多個子特征向量相加，然后乘以一個系數，該系數優(yōu)選是子特征向量個數的倒數，即求多個 子特征向量的平均值。
[0038] 步驟104:使用待識別人臉圖像的聯合特征向量進行人臉識別，或者/以及，使用 待識別人臉圖像的多個子特征向量進行人臉識別。由于多個子特征向量和一個聯合特征向 量都能表征待識別人臉圖像，因此可以單獨使用一個聯合特征向量進行人臉識別，也可以 使用多個子特征向量進行人臉識別，并且還可以綜合使用一個聯合特征向量和多個子特征 向量進行人臉識別。
[0039] 本發(fā)明實施例使用預先設計并訓練得到的多個卷積神經網絡分別對待識別人臉 圖像進行處理，得到多個子特征向量；然后將歸一化后的待識別人臉圖像的多個子特征向 量相加后乘以一個系數，得到待識別人臉圖像的聯合特征向量；最后使用待識別人臉圖像 的聯合特征向量和/或者待識別人臉圖像的多個子特征向量進行人臉識別。
[0040] 本發(fā)明實施例具有以下有益效果：
[0041] 本發(fā)明實施例訓練時間短。本發(fā)明實施例的多個卷積神經網絡可以并行同時訓 練，其深度比現有技術中的深度卷積神經網絡小，要訓練的參數少，訓練時使用的樣本也 少，因此訓練時間短。
[0042] 本發(fā)明實施例避免了過擬合。由【背景技術】可知，對于給定的深度卷積神經網絡，為 防止過擬合，需要增加訓練樣本，但是增加訓練樣本就