CN105095859B - 人脸识别方法和装置 - Google Patents
人脸识别方法和装置 Download PDFInfo
- Publication number
- CN105095859B CN105095859B CN201510368174.8A CN201510368174A CN105095859B CN 105095859 B CN105095859 B CN 105095859B CN 201510368174 A CN201510368174 A CN 201510368174A CN 105095859 B CN105095859 B CN 105095859B
- Authority
- CN
- China
- Prior art keywords
- neuron
- network layer
- characteristic pattern
- disaggregated model
- default
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 210000002569 neuron Anatomy 0.000 claims description 212
- 239000011159 matrix material Substances 0.000 claims description 98
- 238000012549 training Methods 0.000 claims description 68
- 230000004913 activation Effects 0.000 claims description 64
- 238000005070 sampling Methods 0.000 claims description 41
- 230000004048 modification Effects 0.000 claims description 20
- 238000012986 modification Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 210000005036 nerve Anatomy 0.000 claims description 6
- 241000239290 Araneae Species 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000012092 media component Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本公开是关于一种人脸识别方法和装置，属于人脸识别领域。所述方法包括：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；遍历所述多个候选图像区域；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；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图像区域。本公开提高了分类准确率，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。
Description
技术领域
本公开是关于人脸识别领域，具体来说是关于人脸识别方法和装置。
背景技术
Adaboost(Adaptive Boosting，自适应增强)是一种迭代算法，其核心思想是针对同一个训练样本集训练不同的弱分类器，然后将这些弱分类器集合起来，构成一个强分类器。基于该强分类器进行图像识别时，识别速度非常快，基本可以达到实时识别的水平。
Adaboost算法在进行训练之前，通常会获取样本图像的弱特征，基于样本图像的弱特征，构成训练样本集。样本图像的弱特征可以为矩形特征，该矩形特征通过对样本图像中相邻像素的颜色进行对比得到，可以用于对样本图像进行简单地描述。
发明内容
为了解决相关技术中存在的问题，本公开提供了一种人脸识别方法和装置。所述技术方案如下：
根据本公开实施例的第一方面，提供了一种人脸识别方法，所述方法包括：
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；
遍历所述多个候选图像区域；
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；
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；
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。
在另一实施例中，所述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，包括：
遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸；
按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域；
对于划分得到的每个区域，
根据预设特征提取算法，提取所述区域的特征；
根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非人脸区域；
如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。
在另一实施例中，所述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之前，所述方法还包括：
对所述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；
根据所述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；
计算所述输出结果与所述样本图像的预设理论结果之间的差值；
根据所述差值，对所述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；
基于调整后的权重矩阵和偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
在另一实施例中，所述根据所述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：
将所述样本图像输入所述预设分类模型中的第一个网络层；
在所述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、偏置项和所述预设激活函数，计算输出结果；
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。
在另一实施例中，所述预设分类模型包括卷积层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
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；
对于所述卷积层的每个特征图中的每个指定神经元，
根据上一个网络层中每个神经元与所述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，得到所述指定神经元的特征值；
计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值；
应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。
在另一实施例中，所述预设分类模型包括子采样层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
对于所述子采样层的每个特征图中的每个指定神经元，
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，所述连接神经元是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样窗口与所述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；
计算上一个网络层中，与所述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，作为所述指定神经元的特征值；
计算所述指定特征图的权重矩阵与所述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。
在另一实施例中，所述基于预设分类模型，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，包括：
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。
根据本公开实施例的第二方面，提供了一种人脸识别装置，所述装置包括：
第一分类模块，用于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；
遍历模块，用于遍历所述多个候选图像区域；
第二分类模块，用于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；
提取模块，用于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；
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。
在另一实施例中，所述第一分类模块用于遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸；按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域；对于划分得到的每个区域，根据预设特征提取算法，提取所述区域的特征；根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非人脸区域；如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。
在另一实施例中，所述装置还包括：
初始化模块，用于对所述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；
输出计算模块，用于根据所述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；
差值计算模块，用于计算所述输出结果与所述样本图像的预设理论结果之间的差值；
调整模块，用于根据所述差值，对所述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；
循环模块，用于基于调整后的权重矩阵和偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
在另一实施例中，所述输出计算模块还用于将所述样本图像输入所述预设分类模型中的第一个网络层；在所述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、偏置项和所述预设激活函数，计算输出结果；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。
在另一实施例中，所述预设分类模型包括卷积层；所述输出计算模块还用于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；对于所述卷积层的每个特征图中的每个指定神经元，根据上一个网络层中每个神经元与所述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，得到所述指定神经元的特征值；计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值；应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。
在另一实施例中，所述预设分类模型包括子采样层；所述输出计算模块还用于对于所述子采样层的每个特征图中的每个指定神经元，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，所述连接神经元是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样窗口与所述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；计算上一个网络层中，与所述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，作为所述指定神经元的特征值；计算所述指定特征图的权重矩阵与所述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。
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。
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：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
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；
遍历所述多个候选图像区域；
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；
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；
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。
本公开的实施例提供的技术方案可以包括以下有益效果：
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。
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
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。
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；
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；
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；
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
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。
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。
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：
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。
在步骤102中，遍历该多个候选图像区域。
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。
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。
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。
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。
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。
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：
遍历多种尺寸，所遍历的每种尺寸均不大于该图像的尺寸；
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；
对于划分得到的每个区域，
根据预设特征提取算法，提取该区域的特征；
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；
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。
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：
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；
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；
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；
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；
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。
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：
将该样本图像输入该预设分类模型中的第一个网络层；
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；
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。
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：
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；
对于该卷积层的每个特征图中的每个指定神经元，
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；
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；
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。
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：
对于该子采样层的每个特征图中的每个指定神经元，
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；
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；
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；
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。
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：
将该候选图像区域输入至该预设分类模型中；
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。
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，在此不再一一赘述。
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：
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。
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限定。该分类装置可以对图像中的每个区域进行分类，将每个区域划分为人脸区域和非人脸区域，从而实现对图像的人脸识别。
本实施例中，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。以由该分类装置训练该强分类器为例，该分类装置可以获取多个样本图像的弱特征，如矩形特征等，将每个样本图像的弱特征作为训练样本，将多个训练样本构成训练样本集。从该训练样本集中选取若干个训练样本，构成第一训练集，根据该第一训练集，训练出第一个弱分类器，再从该训练样本集中选取若干个新的训练样本，将本次选取的训练样本与第一个弱分类器分错的训练样本构成第二训练集，根据该第二训练集，训练出第二个弱分类器，再从该训练样本集中选取若干个新的训练样本，将本次选取的训练样本与第一个弱分类器和第二个弱分类器均分错的训练样本构成第三训练集，根据该第三训练集，训练出第三个弱分类器，以此类推，直至错误率小于预设最小错误率时，将训练出的多个弱分类器组成一个强分类器，该强分类器即可用于对图像进行分类。
且，该分类装置还可以为每个训练样本赋予一个权重，该权重用于表示训练样本被选入当前训练集的概率。该分类装置开始进行训练时，该分类装置可以为每个训练样本设置相同的权重，并在后续训练过程中，根据每个训练样本的权重，确定本次训练需选取的训练样本。对于该训练样本集中的每个训练样本来说，如果该训练样本已经被准确地分类，则减小该训练样本的权重，那么在构造下一个训练集时，该训练样本被选中的概率就被降低。而如果该训练样本没有被准确地分类，则增大该训练样本的权重，那么在构造下一个训练集时，该训练样本被选中的概率就被提高。采用调整训练样本的权重的方式，使得训练过程能够聚焦于较难分类的训练样本上。
训练完成后，该分类装置即可基于该强分类器，对图像进行分类。该分类装置可以遍历多种尺寸，所遍历的每种尺寸均不大于该图像的尺寸，并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，对于划分得到的每个区域，根据预设特征提取算法，提取该区域的特征，将该区域的特征输入至该强分类器，基于该强分类器，对该区域的特征进行计算，得到该强分类器的输出结果，即可得到该区域的分类结果，该分类结果为人脸区域或者非人脸区域，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，如果该区域的分类结果为非人脸区域，则将该区域过滤掉。
其中，该预设特征提取算法用于提取图像中每个区域的特征，可以为HOG(Histogram of Oriented Gradient，方向梯度直方图)算法或者其他算法，该强分类器可以为Adaboost分类器或者其他分类器，本实施例对此不做限定。
在步骤202中，该分类装置遍历该多个候选图像区域，对于当前遍历到的候选图像区域，基于训练出的预设分类模型，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。
该分类装置基于该强分类器对图像进行分类之后，将该强分类器划分出的人脸区域作为候选图像区域，并继续基于预设分类模型，对每个候选图像区域进行分类，判断该候选图像区域是人脸区域还是非人脸区域，从而得到每个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。
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，该权重矩阵中包括神经元与下一网络层中每个神经元之间的连接权重。该多个网络层中包括输入层、输出层和中间层，该中间层包括至少一个卷积层和至少一个子采样层。卷积层用于对输入图像的信号进行增强，并降低输入图像的噪音，子采样层用于减小图像的特征图的大小，能够在减小图像数据处理量的同时保留有用信息。该中间层还可以包括全连接层，该全连接层用于将二维的特征图转化为一维的向量。
在该预设分类模型中，卷积层和下采样层可以间隔设置，例如，该预设分类模型的第一层为输入层，第二层可以为卷积层，第三层为下采样层、第四层为卷积层、第五层为下采样层。
在基于该预设分类模型进行分类之前，需要对该预设分类模型进行训练。在进行训练时，该分类装置可以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，基于初始化的预设分类模型进行训练。
该预设分类模型的训练过程分为以下两个阶段：
第一个阶段：前向传播阶段：
在前向传播阶段，该分类装置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。
即该分类装置将该样本图像输入至该预设分类模型的输入层，在该预设分类模型的每个网络层中，前一个网络层的输出结果输入至当前的网络层中，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、每个特征图的偏置项和预先设定的预设激活函数，计算当前网络层的输出结果，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，即为样本图像的输出结果。该预设激活函数可以为sigmoid函数或者tanh函数，本实施例对此不做限定。
其中，当前的网络层为卷积层时，获取在上一个网络层的每个特征图中的每个神经元的输出结果；对于该卷积层的每个特征图中的每个神经元，根据上一个网络层中每个神经元与该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，得到该神经元的特征值；计算该神经元的特征值与该神经元所在特征图的偏置项的和值；应用该预设激活函数，对该和值进行计算，得到该神经元的输出结果，并继续进行计算，得到该卷积层中每个神经元的输出结果。
即在卷积层中，该分类装置可以应用以下公式，计算卷积层中每个神经元的输出结果：
表示第l个网络层(卷积层)的第k个特征图中第x行第y列的神经元的输出结果，g(·)表示该预设激活函数，表示第l个网络层的第k个特征图的权重矩阵，表示第l-1个网络层的第t个特征图中第x+r行第y+c列的神经元的输出结果，B(l,k)表示第l个网络层的第k个特征图的偏置项，f、t、r、c均为正整数，kh和kw表示第l-1个网络层中特征图的高度和宽度，f表示第l-1个网络层中特征图的数目。
在全连接层中计算输出结果的步骤与在卷积层中计算输出结果的步骤类似，在此不再赘述。
而当前的网络层为子采样层时，对于该子采样层的每个特征图中的每个指定神经元，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；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；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；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。
即在子采样层中，该分类装置可以应用以下公式，计算子采样层中每个神经元的输出结果：
表示第l个网络层(子采样层)的第k个特征图中第x行第y列的神经元的输出结果，g(·)表示该预设激活函数，W(k)表示该子采样层中第k个特征图的权重矩阵，表示第l-1个网络层的第k个特征图中第xsh+r行第ysw+c列的神经元的输出结果，第l-1个网络层的第k个特征图中第xsh+r行第ysw+c列的神经元与第l个网络层的第k个特征图中第x行第y列的神经元所在的特征图的位置相同、子采样从窗口的尺寸相同且互不重叠，B(l,k)表示第l个网络层的第k个特征图的偏置项，r、c均为正整数，sh和sw表示第l-1个网络层中特征图的高度和宽度。
第二个阶段：误差反向传播阶段：
在误差反向传播阶段，该分类装置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，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。
假设样本图像d在输出层第k个神经元的输出结果为Ok，而样本图像d在输出层第k个神经元的预设理论结果为Tk，则样本图像d在输出层的误差为：
该误差关于输出结果Ok的偏导数为则可以计算出该误差关于输出层所有神经元的偏导数。
之后，对于该预设分类模型中的每个网络层，可以根据上一网络层的权重矩阵和该误差关于当前网络层中所有神经元的偏导数，应用以下公式，计算出该误差关于上一网络层中所有神经元的偏导数：
d(Oj)＝Σd(Ok)wkj；
d(Ok)表示该误差关于当前网络层神经元的偏导数，wkj表示上一个网络层的神经元与当前网络层神经元之间的连接权重，d(Oj)表示该误差关于上一个网络层的神经元的偏导数，应用上述公式可以采用迭代的方式，依次计算出该误差关于每个网络层的神经元的偏导数。
对于每个网络层，可以根据该误差关于当前网络层的神经元的偏导数、上一网络层的神经元的输出结果，应用以下公式，确定当前网络层的神经元与上一网络层的神经元之间的连接权重的改变量：
表示该误差关于第l个网络层的第k个特征图中第x行第y列的神经元的偏导数，表示第l-1个网络层的第t个特征图中第x+r行第y+c列的神经元的输出结果，fh和fw表示第l-1个网络层中特征图的高度和宽度，kh和kw表示第l个网络层中特征图的高度和宽度，表示第l个网络层的第k个特征图与第l-1个网络层的第t个特征图之间的权重矩阵中，第r行第c列的权重的改变量，也即是第l个网络层的第k个特征图中第r行第c列的神经元与第l-1个网络层的第t个特征图中第r行第c列的神经元之间的连接权重的改变量，该分类装置可以根据该改变量，对第l个网络层的第k个特征图中第r行第c列的神经元与第l-1个网络层的第t个特征图中第r行第c列的神经元之间的连接权重进行调整。
对于每个网络层，可以根据该误差关于当前网络层的神经元的偏导数，应用以下公式，确定当前网络层中特征图的偏置项的改变量：
表示该误差关于第l个网络层的第k个特征图中第x行第y列的神经元的偏导数，fh和fw表示第l个网络层中特征图的高度和宽度，ΔB(l,k)表示第l个网络层的第k个特征图的偏置项的改变量。该分类装置可以根据该改变量，对第l个网络层的第k个特征图的偏置项进行调整。
该分类装置可以重复执行上述两个阶段，即该分类装置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之后，可以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，此时训练过程结束，后续过程中该分类装置即可根据该预设分类模型中每个特征图的权重矩阵和偏置项，以及该预设激活函数，对图像进行分类，识别出图像中的人脸区域。该预设阈值可以根据预设分类模型的精确度需求确定，本实施例对此不做限定。
需要说明的是，本实施例以该分类装置对该预设分类模型进行训练为例进行说明，实际上也可以由其他设备对该预设分类模型进行训练，由该分类装置获取训练出的预设分类模型，本实施例对此不做限定。
该分类装置获取到图像的多个候选图像区域时，可以将该候选图像区域输入至该预设分类模型中，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。计算过程与计算该样本图像的输出结果的过程类似，在此不再赘述。
在步骤203中，该分类装置从该多个候选图像区域中，提取出分类结果为人脸区域的图像区域。
该分类装置基于该预设分类模型，对每个候选图像区域进行分类，确定分类结果为人脸区域的候选图像区域，即为最终识别出的人脸区域。
本实施例中的强分类器可以为Adaboost分类器，Adaboost分类器的分类速度很快，甚至可以达到实时运行的水平，但分类准确率不高，划分出的人脸区域中可能会包含错分的图像区域。则本实施例充分利用了Adaboost快速分类的特点，并对Adaboost检测之后的结果，应用预设分类模型继续进行分类，虽然预设分类模型的分类速度不够快，但是由于该预设分类模型仅对Adaboost检测之后的几个候选图像区域进行判定，不需要遍历图像中的所有位置和所有尺寸，所以整体的速度并不会降低。且该预设分类模型中包括多个网络层，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，可以很好地过滤掉检测错误的区域。
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。
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。参见图3，该装置包括第一分类模块301，遍历模块302，第二分类模块303和提取模块304。
第一分类模块301被配置为用于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；
遍历模块302被配置为用于遍历该多个候选图像区域；
第二分类模块303被配置为用于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；
提取模块304被配置为用于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；
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。
本实施例提供的装置，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。
在另一实施例中，该第一分类模块301被配置为用于遍历多种尺寸，所遍历的每种尺寸均不大于该图像的尺寸；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；对于划分得到的每个区域，根据预设特征提取算法，提取该区域的特征；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；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。
在另一实施例中，该装置还包括：
初始化模块被配置为用于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；
输出计算模块被配置为用于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；
差值计算模块被配置为用于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；
调整模块被配置为用于根据该差值，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；
循环模块被配置为用于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。
在另一实施例中，该输出计算模块还被配置为用于将该样本图像输入该预设分类模型中的第一个网络层；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；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。
在另一实施例中，该预设分类模型包括卷积层；该输出计算模块还被配置为用于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；对于该卷积层的每个特征图中的每个指定神经元，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；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；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。
在另一实施例中，该预设分类模型包括子采样层；该输出计算模块还被配置为用于对于该子采样层的每个特征图中的每个指定神经元，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；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；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；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。
在另一实施例中，该第二分类模块303还被配置为用于将该候选图像区域输入至该预设分类模型中；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。
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，在此不再一一赘述。
关于上述实施例中的装置，其中每个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
需要说明的是：上述实施例提供的人脸识别装置在进行人脸识别时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将分类装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的人脸识别装置与人脸识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图4是根据一示例性实施例示出的一种用于人脸识别的装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。
处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。
存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件406为装置400的各种组件提供电力。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电力相关联的组件。
多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。
I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件414包括一个或多个传感器，用于为装置400提供每个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述人脸识别方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质，当所述存储介质中的指令由分类装置的处理器执行时，使得分类装置能够执行一种人脸识别方法，所述方法包括：
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；
遍历所述多个候选图像区域；
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；
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；
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。
在另一实施例中，所述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，包括：
遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸；
按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域；
对于划分得到的每个区域，
根据预设特征提取算法，提取所述区域的特征；
根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非人脸区域；
如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。
在另一实施例中，所述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之前，所述方法还包括：
对所述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；
根据所述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；
计算所述输出结果与所述样本图像的预设理论结果之间的差值；
根据所述差值，对所述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；
基于调整后的权重矩阵和偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
在另一实施例中，所述根据所述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：
将所述样本图像输入所述预设分类模型中的第一个网络层；
在所述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、偏置项和所述预设激活函数，计算输出结果；
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。
在另一实施例中，所述预设分类模型包括卷积层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
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；
对于所述卷积层的每个特征图中的每个指定神经元，
根据上一个网络层中每个神经元与所述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，得到所述指定神经元的特征值；
计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值；
应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。
在另一实施例中，所述预设分类模型包括子采样层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
对于所述子采样层的每个特征图中的每个指定神经元，
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，所述连接神经元是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样窗口与所述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；
计算上一个网络层中，与所述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，作为所述指定神经元的特征值；
计算所述指定特征图的权重矩阵与所述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。
在另一实施例中，所述基于预设分类模型，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，包括：
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。
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，在此不再一一赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (13)
1.一种人脸识别方法，其特征在于，所述方法包括：
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；
遍历所述多个候选图像区域；
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；
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；
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；
所述预设分类模型的训练过程包括：
对所述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；
根据所述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；
计算所述输出结果与所述样本图像的预设理论结果之间的差值；
计算所述差值关于当前网络层的神经元的偏导数；
基于所述偏导数和所述输出结果，计算所述当前网络层的神经元与上一网络层的神经元之间的连接权重的改变量；
基于所述偏导数，计算所述当前网络层中所述特征图的偏置项的改变量；
基于所述连接权重的改变量和所述偏置项的改变量分别调整权重矩阵和偏置项；
基于调整后的所述权重矩阵和所述偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
2.根据权利要求1所述的方法，其特征在于，所述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，包括：
遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸；
按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域；
对于划分得到的每个区域，
根据预设特征提取算法，提取所述区域的特征；
根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非人脸区域；
如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。
3.根据权利要求1所述的方法，其特征在于，所述根据所述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：
将所述样本图像输入所述预设分类模型中的第一个网络层；
在所述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、偏置项和所述预设激活函数，计算输出结果；
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。
4.根据权利要求3所述的方法，其特征在于，所述预设分类模型包括卷积层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
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；
对于所述卷积层的每个特征图中的每个指定神经元，
根据上一个网络层中每个神经元与所述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，得到所述指定神经元的特征值；
计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值；
应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。
5.根据权利要求3所述的方法，其特征在于，所述预设分类模型包括子采样层；在所述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、偏置项和所述预设激活函数，计算输出结果，包括：
对于所述子采样层的每个特征图中的每个指定神经元，
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，所述连接神经元是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样窗口与所述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；
计算上一个网络层中，与所述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，作为所述指定神经元的特征值；
计算所述指定特征图的权重矩阵与所述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。
6.根据权利要求1所述的方法，其特征在于，所述基于预设分类模型，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，包括：
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。
7.一种人脸识别装置，其特征在于，所述装置包括：
第一分类模块，用于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；
遍历模块，用于遍历所述多个候选图像区域；
第二分类模块，用于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；
提取模块，用于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；
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；
所述预设分类模型的训练过程包括：
对所述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；
根据所述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；
计算所述输出结果与所述样本图像的预设理论结果之间的差值；
计算所述差值关于当前网络层的神经元的偏导数；
基于所述偏导数和所述输出结果，计算所述当前网络层的神经元与上一网络层的神经元之间的连接权重的改变量；
基于所述偏导数，计算所述当前网络层中所述特征图的偏置项的改变量；
基于所述连接权重的改变量和所述偏置项的改变量分别调整权重矩阵和偏置项；
基于调整后的所述权重矩阵和所述偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
8.根据权利要求7所述的装置，其特征在于，所述第一分类模块用于遍历多种尺寸，所遍历的每种尺寸均不大于所述图像的尺寸；按照当前遍历到的尺寸，对所述图像进行划分，得到所述图像的多个区域；对于划分得到的每个区域，根据预设特征提取算法，提取所述区域的特征；根据所述区域的特征和所述强分类器，获取所述区域的分类结果，所述分类结果为人脸区域或者非人脸区域；如果所述区域的分类结果为人脸区域，则将所述区域作为候选人脸区域。
9.根据权利要求7所述的装置，其特征在于，所述输出计算模块还用于将所述样本图像输入所述预设分类模型中的第一个网络层；在所述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、偏置项和所述预设激活函数，计算输出结果；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。
10.根据权利要求9所述的装置，其特征在于，所述预设分类模型包括卷积层；所述输出计算模块还用于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；对于所述卷积层的每个特征图中的每个指定神经元，根据上一个网络层中每个神经元与所述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，得到所述指定神经元的特征值；计算所述指定神经元的特征值与所述指定神经元所在特征图的偏置项的和值；应用所述预设激活函数，对所述和值进行计算，得到所述指定神经元的输出结果。
11.根据权利要求9所述的装置，其特征在于，所述预设分类模型包括子采样层；所述输出计算模块还用于对于所述子采样层的每个特征图中的每个指定神经元，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，所述连接神经元是指上一个网络层中，所在的特征图与所述指定神经元所在的特征图的位置相同、子采样窗口与所述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；计算上一个网络层中，与所述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，作为所述指定神经元的特征值；计算所述指定特征图的权重矩阵与所述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。
12.根据权利要求7所述的装置，其特征在于，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。
13.一种人脸识别装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：
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；
遍历所述多个候选图像区域；
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；
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；
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；
所述预设分类模型的训练过程包括：
对所述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；
根据所述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；
计算所述输出结果与所述样本图像的预设理论结果之间的差值；
计算所述差值关于当前网络层的神经元的偏导数；
基于所述偏导数和所述输出结果，计算所述当前网络层的神经元与上一网络层的神经元之间的连接权重的改变量；
基于所述偏导数，计算所述当前网络层中所述特征图的偏置项的改变量；
基于所述连接权重的改变量和所述偏置项的改变量分别调整权重矩阵和偏置项；
基于调整后的所述权重矩阵和所述偏置项以及所述预设激活函数，继续计算所述样本图像的输出结果，直至计算出的输出结果与所述预设理论结果之间的差值小于预设阈值时停止，得到所述预设分类模型中每个特征图的权重矩阵和偏置项。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368174.8A CN105095859B (zh) | 2015-06-29 | 2015-06-29 | 人脸识别方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510368174.8A CN105095859B (zh) | 2015-06-29 | 2015-06-29 | 人脸识别方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105095859A CN105095859A (zh) | 2015-11-25 |
| CN105095859B true CN105095859B (zh) | 2019-03-15 |
Family
ID=54576248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510368174.8A Active CN105095859B (zh) | 2015-06-29 | 2015-06-29 | 人脸识别方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105095859B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105574538B (zh) * | 2015-12-10 | 2020-03-17 | 小米科技有限责任公司 | 分类模型训练方法及装置 |
| CN105550295B (zh) * | 2015-12-10 | 2019-09-10 | 小米科技有限责任公司 | 分类模型优化方法及装置 |
| CN105631406B (zh) * | 2015-12-18 | 2020-07-10 | 北京小米移动软件有限公司 | 图像识别处理方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼（湖南）科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
-
2015
- 2015-06-29 CN CN201510368174.8A patent/CN105095859B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1731418A (zh) * | 2005-08-19 | 2006-02-08 | 清华大学 | 复杂背景图像中鲁棒的眼睛精确定位方法 |
| CN104463128A (zh) * | 2014-12-17 | 2015-03-25 | 智慧眼（湖南）科技发展有限公司 | 用于人脸识别的眼镜检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于Adaboost和LDP改进算法的人脸检测与识别研究;李杰;《中国优秀硕士学位论文全文数据库信息科技辑》;20131115;正文第25-35页 |
| 基于CNN的字符识别方法研究;王强;《中国优秀硕士学位论文全文数据库信息科技辑》;20141115;正文第8-21页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105095859A (zh) | 2015-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106295566B (zh) | 人脸表情识别方法及装置 | |
| CN105631403B (zh) | 人脸识别方法及装置 | |
| CN105608425B (zh) | 对照片进行分类存储的方法及装置 | |
| CN106295511B (zh) | 人脸跟踪方法及装置 | |
| US20210073953A1 (en) | Method for applying bokeh effect to image and recording medium | |
| CN110210535A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
| CN106339680B (zh) | 人脸关键点定位方法及装置 | |
| CN105631408B (zh) | 基于视频的面孔相册处理方法和装置 | |
| CN109829501A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN105528607B (zh) | 区域提取方法、模型训练方法及装置 | |
| CN105426867B (zh) | 人脸识别验证方法及装置 | |
| CN106204435A (zh) | 图像处理方法及装置 | |
| CN106295515B (zh) | 确定图像中的人脸区域的方法及装置 | |
| CN108629354A (zh) | 目标检测方法及装置 | |
| CN105528078B (zh) | 控制电子设备的方法及装置 | |
| CN109815844A (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN106548468B (zh) | 图像清晰度的判别方法及装置 | |
| CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN107527053A (zh) | 目标检测方法及装置 | |
| CN110443280A (zh) | 图像检测模型的训练方法、装置及存储介质 | |
| CN109871896A (zh) | 数据分类方法、装置、电子设备及存储介质 | |
| CN109522910A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
| CN109658401A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN110009090A (zh) | 神经网络训练与图像处理方法及装置 | |
| CN109889724A (zh) | 图像虚化方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |