會使得訓(xùn)練時間長，使得訓(xùn)練時間和 過擬合問題不能兼顧。
[0043] 現(xiàn)有技術(shù)中也存在避免過擬合的技術(shù)，如Dropout技術(shù)等。Dropout技術(shù)的實現(xiàn)方 式如下：在一次訓(xùn)練中，隨機的使深度卷積神經(jīng)網(wǎng)絡(luò)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(shù)雖然能一定程度上避免過擬合，但是其實在深度卷積 神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)末端進行操作，操作復(fù)雜，不易實現(xiàn)。
[0044] 本發(fā)明實施例將一個深度卷積神經(jīng)網(wǎng)絡(luò)"拆分"為并行的多個卷積神經(jīng)網(wǎng)絡(luò)，這些 卷積神經(jīng)網(wǎng)絡(luò)的深度小于深度卷積神經(jīng)網(wǎng)絡(luò)，但是多個卷積神經(jīng)網(wǎng)絡(luò)聯(lián)合使用，其總體復(fù) 雜度（深度）也能達到深度卷積神經(jīng)網(wǎng)絡(luò)的深度。由于多個卷積神經(jīng)網(wǎng)絡(luò)的深度低，要訓(xùn) 練的參數(shù)就少，因此即使使用較少的樣本完成對多個卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，也不會產(chǎn)生過 擬合。
[0045] 并且，相比于Dropout技術(shù)在深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)末端進行操作的方法，本 發(fā)明實施例使用多個卷積神經(jīng)網(wǎng)絡(luò)代替深度卷積神經(jīng)網(wǎng)絡(luò)，更簡單易行。
[0046] 另外，本發(fā)明實施例可以使用一個聯(lián)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(zhǔn)確率更高。
[0047] 綜上所述，本發(fā)明實施例減少了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，避免了卷積神經(jīng)網(wǎng)絡(luò) 的過擬合，并且簡單方便；識別方式更多樣，準(zhǔn)確率更高。
[0048] 本發(fā)明實施例中，可以使用上述的聯(lián)合特征向量進行識別，具體的：
[0049] 步驟104中，使用待識別人臉圖像的聯(lián)合特征向量進行人臉識別包括：
[0050] 使用分類器（SVM分類器等）對待識別人臉圖像的聯(lián)合特征向量與預(yù)先存儲的人 臉圖像模板的聯(lián)合特征向量進行比對，判斷待識別人臉圖像和預(yù)先存儲的人臉圖像模板是 否屬于同一個人。
[0051] 本實施例使用聯(lián)合特征向量進行識別，將待識別人臉圖像的聯(lián)合特征向量與預(yù)先 存儲的人臉圖像模板的聯(lián)合特征向量進行比對，得到比對分值，若比對分值大于預(yù)先設(shè)定 的比對閾值，則認(rèn)為待識別人臉圖像和預(yù)先存儲的人臉圖像模板屬于同一個人，從而識別 通過；而且還可以將待識別人臉圖像和預(yù)先存儲的多個人臉圖像模板分別進行比對，判斷 待識別人臉圖像屬于哪一個人。
[0052] 本實施例使用聯(lián)合特征向量進行識別，計算簡單，并且由于聯(lián)合特征向量是經(jīng)過 多個子特征向量綜合計算得到，更能夠表征人臉圖像，使得識別準(zhǔn)確率高。
[0053] 本發(fā)明實施例中，還可以使用上述的多個子特征向量進行識別，具體的：
[0054] 步驟104中，使用待識別人臉圖像的多個子特征向量進行人臉識別包括：
[0055] 使用分類器對待識別人臉圖像的多個子特征向量進行分類，得到多個分類結(jié)果。
[0056] 統(tǒng)計得到多個分類結(jié)果的眾數(shù)，作為最終分類結(jié)果。
[0057] 通過最終分類結(jié)果與用戶身份的對應(yīng)關(guān)系，確定待識別人臉圖像的用戶身份。
[0058] 對多個子特征向量進行分類，理論上來說，由于子特征向量都屬于同一幅人臉圖 像，應(yīng)當(dāng)分到同一類；但實際上不可能全部分到同一類，因此以出現(xiàn)最多次的一類（眾數(shù)） 作為該人臉圖像的類別，該類別對應(yīng)的用戶身份即為人臉圖像的身份。
[0059] 本實施例直接使用多個子特征向量進行人臉識別，無需進一步對子特征向量進行 計算得到聯(lián)合特征向量，簡化操作過程，并且使用多個子特征向量進行人臉識別能夠進一 步提高識別準(zhǔn)確率。
[0060] 本發(fā)明實施例中，卷積神經(jīng)網(wǎng)絡(luò)可以通過各種方法訓(xùn)練得到，優(yōu)選的，卷積神經(jīng)網(wǎng) 絡(luò)通過如下方法訓(xùn)練得到：
[0061] 對人臉圖像樣本集進行放回隨機抽樣，得到多個樣本子集。訓(xùn)練時需要用到人臉 圖像樣本集，本發(fā)明實施例需要對多個卷積神經(jīng)網(wǎng)絡(luò)分別進行訓(xùn)練，因此需要從人臉圖像 樣本集中抽樣得到多個樣本子集。而且每個樣本子集應(yīng)當(dāng)與人臉圖像樣本集具有相同的分 布規(guī)律，因此采用放回隨機抽樣。放回隨機抽樣是指隨機對人臉圖像樣本集進行抽樣，但是 抽到的樣本不會從人臉圖像樣本集中刪除，這樣就能保證人臉圖像樣本集不變，從人臉圖 像樣本集中抽取到的多個樣本子集與人臉圖像樣本集相同的分布規(guī)律，通過多個樣本子集 訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)具有相同的特性。
[0062] 使用多個樣本子集分別對多個卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。抽樣得到多個樣本子集 后，分別對預(yù)先設(shè)計的多個卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練。
[0063] 本發(fā)明實施例保證了對多個卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練的多個樣本子集具有相同的 分布規(guī)律，訓(xùn)練得到的多個卷積神經(jīng)網(wǎng)絡(luò)具有相同的特性，保證了提取到的子特征向量的 特征具有一致性，能夠很好地表征人臉圖像。
[0064] 上述的每個卷積神經(jīng)網(wǎng)絡(luò)可以包括：
[0065] 對待識別人臉圖像進行卷積操作，得到卷積特征圖。
[0066] 對卷積特征圖進行激活操作，得到激活特征圖。
[0067] 對激活特征圖進行下采樣操作，得到采樣特征圖。
[0068] 以采樣特征圖作為輸入，重復(fù)上述的卷積操作、激活操作和下采樣操作若干次后， 進行向量化操作，得到子特征向量，此時多個卷積神經(jīng)網(wǎng)絡(luò)得到的多個子特征向量的維數(shù) 可能并不相同。
[0069] 進行統(tǒng)一維度映射，得到子特征向量。對維數(shù)可能并不相同的子特征向量進行統(tǒng) 一維度映射，得到維數(shù)相同的子特征向量。
[0070] 本實施例通過多次的卷積操作、激活操作和下采樣操作，并且經(jīng)過統(tǒng)一維度映射 得到多個子特征向量，使得特征更能表征圖像，并且方便后續(xù)計算。
[0071] 下面以一個優(yōu)選的實施例對本發(fā)明進行闡述：
[0072] 1、將經(jīng)過預(yù)處理的人臉圖像樣本整理形成人臉圖像樣本集A，每個人臉圖像樣本 有對應(yīng)的唯一的標(biāo)簽ID。
[0073] 2、通過對人臉圖像樣本集A進行放回隨機抽樣選取k個樣本子集Al，A2-，Ak，即 得到k個獨立且與人臉圖像樣本集具有相同分布的樣本子集。
[0074]3、設(shè)計k個卷積神經(jīng)網(wǎng)絡(luò)net_l, net_2，…，net_k，并且在對應(yīng)的樣本子集上面訓(xùn) 練得到k個特征提取器。單個卷積神經(jīng)網(wǎng)絡(luò)如圖2所示。
[0075] 4、對于任意一張輸入的待識別人臉圖像P，使其分別經(jīng)過net_l,net_2，…，net_ k得到了k個子特征向量fl,f2,…，fk，且每個子特征向量具有相同的維數(shù)，即dim(fl)= dim(f2)=…=dim(fk)。如圖 3 所示。
[0076] 5、如果要使用聯(lián)合特征向量進行人臉識別，則可以先對每個子特征進行二范數(shù) 歸一化，即力 =|^，1 = 1，2，".，1^。隨后，令所有子特征向量相加再求平均值。艮口，
I該待識別人臉圖像的聯(lián)合特征向量?？捎糜谧R別和認(rèn)證。
[0077] 6、如果要使用多個子特征向量進行人臉識別，則令分類器對每個子特征向量進行 分類得到k個分類結(jié)果cl，c2,…，ck，隨后基于投票法的思想，取分類結(jié)果中的出現(xiàn)最多的 類別作為最終的分類結(jié)果c,即求取cl,c2,…，ck的眾數(shù)，c=Mode(cl,c2,…，ck)。通過 c即可判斷身份。
[0078] 另一方面，本發(fā)明實施例提供一種人臉識別的裝置，如圖4所示，包括：
[0079] 子特征向量提取模塊11，用于使用預(yù)先訓(xùn)練的多個卷積神經(jīng)網(wǎng)絡(luò)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(shù)相同；
[0080] 歸一化模塊12,用于對待識別人臉圖像的多個子特征向量進行歸一化；
[0081] 計算模塊13,用于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(shù)，得到待識別人臉圖像的聯(lián)合特征向量；
[0082] 人臉識別模塊14,用于使用待識別人臉圖像的聯(lián)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。
[0083] 本發(fā)明實施例減少了卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，避免了卷積神經(jīng)網(wǎng)絡(luò)的過擬合， 并且使得識別方式更多樣，準(zhǔn)確率更高。
[0084] 本發(fā)明實施例中，可以使用上述的聯(lián)合特征向量進行識別，具體的：<