人脸属性检测方法、装置及电子设备制造方法及图纸

本发明专利技术实施例提供了人脸属性检测方法、装置及电子设备，其中，该人脸属性检测方法包括：获取待检测图像中的人脸区域；根据待检测图像中的人脸区域确定预先训练的深度学习模型的输入参数；将所确定的输入参数输入至预先训练的深度学习模型进行人脸属性检测，获得待检测图像中人脸区域的人脸属性，其中，预先训练的深度学习模型是：根据样本图像中人脸区域的关键点确定预设深度学习模型的输入参数并对预设深度学习模型进行训练得到的。通过本发明专利技术实施例提供的人脸属性检测方法、装置及电子设备，训练得到的深度学习模型的精准度更高，进而能够提高人脸属性检测的精确度。

【技术实现步骤摘要】
人脸属性检测方法、装置及电子设备
本专利技术涉及人脸识别
，特别是涉及人脸属性检测方法、装置及电子设备。
技术介绍
身份认证是智能安防领域最具威力的手段之一，而无论是基于人脸识别的智能方法还是利用人眼进行人脸识别的人为方法，均是从采集到的图像序列中检测到人脸并进行比对识别。而基于采集的所有图像进行身份认证，使得计算量或工作量成倍地增加，进而导致无法实时地进行身份认证或快速地进行身份认证取证。同时，人脸图像的质量、人脸姿态等因素直接影响身份认证的效果。因此为了保证人脸识别的准确性或人为身份认证和后期取证的有效性，非常有必要对采集的图像进行筛选，而对图像的筛选则依赖于图像的属性值。已知的用于人脸属性检测的模型训练方法中，将多个人脸图像以及多个人脸图像对应的主观标定人脸图像属性值作为训练样本，训练得到用于检测人脸属性的深度学习模型。但是，已知的方法中，主观标定有些类型的人脸属性值误差太大，例如，主观标定人脸姿态属性值等，如此使得采用主观标定人脸图像属性值作为训练样本训练得到的深度学习模型，在进行人脸属性检测时检测精确度低，进而使得人脸属性检测的精确度低。专利技术内容本专利技术实施例的本文档来自技高网...

【技术保护点】
1.一种人脸属性检测方法，其特征在于，包括：获取待检测图像中的人脸区域；根据所述待检测图像中的人脸区域确定预先训练的深度学习模型的输入参数；将所确定的输入参数输入至所述预先训练的深度学习模型进行人脸属性检测，获得所述待检测图像中人脸区域的人脸属性，其中，所述预先训练的深度学习模型是：根据样本图像中人脸区域的关键点，确定预设深度学习模型的输入参数并对所述预设深度学习模型进行训练得到的。

【技术特征摘要】
1.一种人脸属性检测方法，其特征在于，包括：获取待检测图像中的人脸区域；根据所述待检测图像中的人脸区域确定预先训练的深度学习模型的输入参数；将所确定的输入参数输入至所述预先训练的深度学习模型进行人脸属性检测，获得所述待检测图像中人脸区域的人脸属性，其中，所述预先训练的深度学习模型是：根据样本图像中人脸区域的关键点，确定预设深度学习模型的输入参数并对所述预设深度学习模型进行训练得到的。2.根据权利要求1所述的方法，其特征在于，人脸属性包括：人脸姿态和/或五官状态；所述预先训练的深度学习模型包括：预先训练的、用于检测人脸姿态的第一深度学习子模型和/或预先训练的、用于检测五官状态的第二深度学习子模型。3.根据权利要求2所述的方法，其特征在于，在人脸属性包括所述人脸姿态、所述预先训练的深度学习模型包括所述第一深度学习子模型的情况下，所述第一深度学习子模型的训练过程包括：获取样本图像中的人脸区域；提取样本图像中人脸区域的关键点；针对样本图像中的每一人脸区域，采用该人脸区域的关键点计算该人脸区域的人脸姿态的属性值；将样本图像中的每一人脸区域以及每一人脸区域的人脸姿态的属性值作为第一预设深度学习模型的输入参数，对所述第一预设深度学习模型进行训练，得到所述第一深度学习子模型。4.根据权利要求3所述的方法，其特征在于，所述人脸姿态包括：人脸偏转角、人脸俯仰角；所述针对样本图像中的每一人脸区域，采用该人脸区域的关键点计算该人脸区域的人脸姿态的属性值，包括：按照以下表达式计算样本图像中每一人脸区域的人脸偏转角和人脸俯仰角：yaw＝D_r-D_l；pitch＝(D_p*yaw*TH)/D_e；其中，yaw表示人脸偏转角，pitch表示人脸俯仰角，D_r表示根据人脸区域的关键点确定的右眼子区域的中心点与根据该人脸区域的关键点确定的人脸中线之间的距离，D_l表示根据人脸区域的关键点确定的左眼子区域的中心点与所述人脸中线之间的距离，D_p表示所述人脸区域的最右上侧的关键点到所述左眼子区域的中心点与所述右眼子区域的中心点连线的垂直距离，D_e表示所述左眼子区域的中心点与所述右眼子区域的中心点之间的距离，TH表示预设阈值。5.根据权利要求4所述的方法，其特征在于，所述根据所述待检测图像中的人脸区域确定预先训练的深度学习模型的输入参数，包括：直接将所述待检测图像中的人脸区域确定为预先训练的深度学习模型的输入参数。6.根据权利要求2所述的方法，其特征在于，在人脸属性包括所述五官状态、所述预先训练的深度学习模型包括所述第二深度学习子模型的情况下，所述第二深度学习子模型的训练过程包括：获取样本图像中的人脸区域；提取样本图像中人脸区域的关键点；针对样本图像中的每一人脸区域，根据该人脸区域的关键点确定该人脸区域中的五官子区域；获得样本图像中每一人脸区域的五官状态的标定属性值，其中，一个人脸区域的五官状态的标定属性值是根据该人脸区域的五官子区域标定的；将样本图像中每一人脸区域的五官子区域和每一人脸区域的五官状态的标定属性值作为第二预设深度学习模型的输入参数，对所述第二预设深度学习模型进行训练，得到所述第二深度学习子模型。7.根据权利要求6所述的方法，其特征在于，所述根据所述待检测图像中的人脸区域确定预先训练的深度学习模型的输入参数，包括：提取所述待检测图像中人脸区域的关键点；针对所述待检测图像中的每一人脸区域，根据该人脸区域的关键点确定该人脸区域中的五官子区域；将所确定的五官子区域确定为预先训练的深度学习模型的输入参数。8.根据权利要求1～7中任一项所述的方法，其特征在于，在所述获得所述待检测图像中人脸区域的人脸属性之后，所述方法还包括：获取所述待检测图像中人脸区域的扩展人脸属性；其中，所述扩展人脸属性包括以下信息中的至少一种：根据基于预设特征的直方图统计值计算的清晰度、灰阶数、对比度、亮度值、欠过曝比例值、瞳距、颜色。9.根据权利要求8所述的方法，其特征在于，所述获取所述待检测图像中人脸区域的扩展人脸属性，包括：针对所述待检测图像中的每一人脸区域，根据该人脸区域的关键点，提取该人脸区域的感兴趣区域；基于所述待检测图像中每一人脸区域的感兴趣区域获取每一人脸区域的扩展人脸属性。10.根据权利要求1～7任一项所述的方法，其特征在于，在所述获得所述待检测图像中人脸区域的人脸属性之后，所述方法还包括：根据所获得的人脸属性，对所述待检测图像进行图像评荐。11.一种人脸属性检测装置，其特征在于，包括：第一获取模块，用于获取待检测图像中的人脸区域；确定模块，用于根据所述待检测图像中的人脸区域确定预先训...

【专利技术属性】
技术研发人员：曾明，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33