一种确定人脸图像的属性的方法和设备的制作方法
【专利摘要】本发明公开了一种确定人脸图像的属性的方法和设备，用于解决采用现有外观模型方式进行年龄估计的准确度不高的问题。方法包括：将测试图片划分成多个不重叠的子图片，并基于各子图片采用设定的算法进行处理，确定出测试图片对应的纹理特征向量；且将测试图片划分成多个具有重叠区域的分块，并基于各分块采用HOG算法进行处理，得到测试图片对应的边缘形状特征向量；并将该测试图片的纹理特征向量和边缘形状特征向量组合成该测试图片的特征向量；将该测试图片的特征向量与已存储的各特征向量进行匹配，以确定该测试图片中的人脸图像所具有的属性。
【专利说明】一种确定人脸图像的属性的方法和设备
【技术领域】
[0001]本发明涉及图像处理【技术领域】，特别涉及一种确定人脸图像的属性的方法和设备。
【背景技术】
[0002]近些年来，在人脸图像研究相关的计算机视觉领域，随着人脸检测和人脸识别技术的不断发展，人脸图像的研究热点，逐渐转向了年龄估计、表情估计等更为先进的研究课题。年龄估计作为生物识别技术的一个重要领域，在身份识别、信息统计、智能化选择、人机交互、智能电视、智能手机以及娱乐应用等方面有着巨大的应用前景，所以也越来越成为研究的一个热点。
[0003]以年龄估计为例，年龄估计是指根据模式分类的方法，利用人脸图像的特征，对个体的年龄进行估计。目前，比较常用的年龄特征提取方法主要有模拟颅面形状的人体模型、模拟人脸成长老化过程的年龄模式模型、流型模型、外观模型等。由于人在成年以后颅面的变化非常小，所以人体模型只能用于未成年的年龄估计。年龄模式模型的建立需要在很多人的一系列不同年龄阶段的图片的基础上，而大量的人脸图像的收集是一个非常困难的事情，而且该方法只提取了人脸图像的强度信息，提取到的特征精度较低，从而影响年龄估计的准确性。流型模型对训练数据的尺寸要求很高，不适用于推广使用。外观模型融合了形状纹理特征，而且训练数据不需要同一个人的多种不同年龄阶段的图片，所以具有很强的灵活性和应用前景。
[0004]目前，现有的外观模型方式中，一般基于主动形状模型(ActiveShapeModel，ASM)算法提取人脸图像的特征点信息，ASM算法提取的是人脸部中各器官的指定位置点的信息，比如嘴、鼻子、眼睛、眉毛、脸部轮廓的位置信息，根据这些位置信息可以计算出人脸部的形状特征。一方面，由于在未成年时人脸部形状特征的变化比较大，到成年以后人脸部形状特征的变化比较小，因此，仅根据人脸部的形状特征对年龄进行估计，难以全面的体现各个年龄的变化，使得年龄估计的准确度较低；另一方面，ASM算法本身对人脸部特征点的定位精度不高，因此，仅根据人脸部的形状特征进行年龄估计的准确度不高。
[0005]综上所述，采用现有外观模型方式进行年龄估计的准确度不高。
【发明内容】
[0006]本发明实施例提供了一种确定人脸图像的属性的方法和设备，用于解决采用现有外观模型方式进行年龄估计的准确度不高的问题。
[0007]一种确定人脸图像的属性的方法，该方法包括:
[0008]将测试图片划分成多个不重叠的子图片，并基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量；且将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用方向梯度直方图HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量；并将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量；
[0009]将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的属性。
[0010]由于本发明实施例通过对测试图片划分后的多个不重叠的子图片进行处理得到纹理特征向量，以及对测试图片划分后的多个重叠的分块进行HOG处理得到边缘形状特征向量，从而得到该测试图片的特征向量，能够提高人脸图像的属性估计的准确度，提高人脸图像的属性估计的处理效率。
[0011]在实施中，基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量,包括:
[0012]基于所述子图片采用局部二值模式LBP算法或基于伽柏Gabor特征的人脸识别算法进行处理，确定出所述测试图片对应的纹理特征向量。
[0013]在实施中，将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量，包括:
[0014]计算所述测试图片中每个像素点的梯度方向值；
[0015]根据每个分块所包含的各像素点的梯度方向值，确定每个分块对应的方向梯度直方图信息，以形成每个分块对应的边缘形状特征向量；
[0016]确定划分后的测试图片的多个滑动窗，将每个滑动窗内包含的分块的边缘形状特征向量进行串联，得到每个滑动窗对应的边缘形状特征向量，其中，每个滑动窗覆盖至少两个所述分块；
[0017]将每个滑动窗的边缘形状特征向量进行串联，得到所述测试图片对应的边缘形状特征向量。
[0018]基于上述任一实施例，将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量，具体包括:
[0019]将所述纹理特征向量和所述边缘形状特征向量组合后的向量进行降维处理；以及，
[0020]计算降维处理后的向量的子空间，并对所述降维处理后的向量进行投影处理，得到所述测试图片的特征向量。
[0021]基于上述任一实施例，将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的属性，包括:
[0022]分别计算所述测试图片的特征向量与已存储的各特征向量的距离，将最小距离值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者，
[0023]分别计算所述测试图片的特征向量与已存储的各特征向量的相关系数，将最大相关系数值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者，
[0024]分别计算所述测试图片的特征向量与已存储的各特征向量的余弦夹角，将最大夹角值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性。
[0025]基于上述任一实施例，根据以下步骤确定已存储的各特征向量:[0026]对于不同的属性，均选取N个不同的样本图片，N为大于等于2的正整数；
[0027]对于每种属性，确定该属性对应的N个样本图片对应的特征向量，计算该N个样本图片对应的特征向量的平均向量，将得到的平均向量作为该属性对应的特征向量。
[0028]基于上述任一实施例，若需要确定所述测试图片中的人脸图像所具有的年龄属性，所述方法包括:
[0029]将所述测试图片进行预处理，所述预处理包括将所述测试图片裁剪为仅包含人脸部区域，并将裁剪后的测试图片设置成设定的尺寸；
[0030]将预处理后的测试图片的特征向量与已存储的各年龄的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的年龄属性。
[0031]一种确定人脸图像的属性的设备，该设备包括:
[0032]特征提取模块，用于将测试图片划分成多个不重叠的子图片，并基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量；且，将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用方向梯度直方图HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量；并将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量；
[0033]特征匹配模块，用于将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的属性。
[0034]由于本发明实施例提供的设备通过对测试图片划分后的多个不重叠的子图片进行处理得到纹理特征向量，以及对测试图片划分后的多个重叠的分块进行HOG处理得到边缘形状特征向量，从而得到该测试图片的特征向量，从而能够提高人脸属性估计的准确度，提高人脸属性估计的处理效率。
[0035]在实施中，所述特征提取模块具体用于:
[0036]基于所述子图片采用局部二值模式LBP算法或基于伽柏Gabor特征的人脸识别算法进行处理，确定出所述测试图片对应的纹理特征向量。
[0037]在实施中，所述特征提取模块将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量，包括:
[0038]计算所述测试图片中每个像素点的梯度方向值；根据每个分块所包含的各像素点的梯度方向值，确定每个分块对应的方向梯度直方图信息，以形成每个分块对应的边缘形状特征向量；确定划分后的测试图片的多个滑动窗，将每个滑动窗内包含的分块的边缘形状特征向量进行串联，得到每个滑动窗对应的边缘形状特征向量，其中，每个滑动窗覆盖至少两个所述分块；将每个滑动窗的边缘形状特征向量进行串联，得到所述测试图片对应的边缘形状特征向量。
[0039]基于上述任一实施例，所述特征提取模块将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量，包括:
[0040]将所述纹理特征向量和所述边缘形状特征向量组合后的向量进行降维处理；以及，计算降维处理后的向量的子空间，并对所述降维处理后的向量进行投影处理，得到所述测试图片的特征向量。
[0041]基于上述任一实施例，所述特征匹配模块具体用于:[0042]分别计算所述测试图片的特征向量与已存储的各特征向量的距离，将最小距离值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者，
[0043]分别计算所述测试图片的特征向量与已存储的各特征向量的相关系数，将最大相关系数值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者，
[0044]分别计算所述测试图片的特征向量与已存储的各特征向量的余弦夹角，将最大夹角值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性。
[0045]基于上述任一实施例，该设备还包括:
[0046]训练模块，用于对于不同的属性，均选取N个不同的样本图片，N为大于等于2的正整数；对于每种属性，确定该特征对应的N个样本图片对应的特征向量，计算该N个样本图片对应的特征向量的平均向量，将得到的平均向量作为该属性对应的特征向量；
[0047]存储模块，用于存储所述训练模块得到的各属性对应的特征向量。
[0048]基于上述任一实施例，若需要确定所述测试图片中的人脸图像所具有的年龄属性，所述设备还包括预处理模块；其中:
[0049]预处理模块用于:将所述测试图片进行预处理，所述预处理包括将所述测试图片裁剪为仅包含人脸部区域，并将裁剪后的测试图片设置成设定的尺寸；
[0050]特征匹配模块具体用于:将预处理后的测试图片的特征向量与已存储的各年龄的特征向量进行匹配，确定该测试图片中的人脸图像所具有的年龄属性。
【专利附图】
【附图说明】
[0051]图1为本发明提供的确定人脸图像的属性的方法的流程示意图；
[0052]图2为本发明实施例提供的确定人脸图像的属性的方法中的预处理前后的效果示意图；
[0053]图3为本发明实施例提供的确定人脸图像的属性的方法中得到的子图片的示意图；
[0054]图4A为本发明实施例提供的第一种滑动窗的示意图；
[0055]图4B为本发明实施例提供的第二种滑动窗的示意图；
[0056]图5为本发明提供的确定人脸图像的属性的设备的示意图。
【具体实施方式】
[0057]本发明通过对测试图片划分后的多个不重叠的子图片进行LBP处理得到该测试图片的纹理特征向量，以及对测试图片划分后的多个重叠的分块进行HOG处理得到该测试图片的边缘形状特征向量，从而得到该测试图片的特征向量，并根据测试图片的特征向量进行属性估计，提高了属性估计的准确度。
[0058]下面结合说明书附图对本发明实施例作进一步详细描述。应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。
[0059]参见图1所示，本发明实施例提供的一种确定人脸图像的属性的方法，该方法包括以下步骤:
[0060]步骤11、将测试图片划分成多个不重叠的子图片，并基于子图片采用设定的算法进行处理，确定出测试图片对应的纹理特征向量；且，将测试图片划分成多个具有重叠区域的分块，并基于分块采用方向梯度直方图(Histogram Of Gradient, HOG)算法进行处理,得到测试图片对应的边缘形状特征向量；以及将测试图片的纹理特征向量和边缘形状特征向量组合成该测试图片的特征向量。
[0061]本步骤中，优选的，该设定的算法为局部二值模式(Local Binary Pattern, LBP)算法或基于伽柏Gabor特征的人脸识别算法。
[0062]本步骤中包括两种对测试图片的处理:一是采用设定的算法(如LBP算法或基于Gabor特征的人脸识别算法)确定出测试图片对应的纹理特征向量，二是采用HOG算法进行的处理，本步骤不对上述两个处理过程的顺序进行限定，可以先采用设定的算法确定出测试图片对应的纹理特征向量，再采用HOG算法对测试图片进行处理，得到测试图片对应的边缘形状特征向量；也可以先采用HOG算法对测试图片进行处理，得到测试图片对应的边缘形状特征向量，再采用设定的算法确定出测试图片对应的纹理特征向量。
[0063]本步骤中，将测试图片的纹理特征向量和边缘形状特征向量组合成该测试图片的特征向量的方式有很多种，最简单的方式就是将测试图片的纹理特征向量中的元素和边缘形状特征向量中的元素串联在一起，形成新的向量即为该测试图片的特征向量。当然，本发明实施例也可以采用其他方式将测试图片的纹理特征向量和边缘形状特征向量进行组合。
[0064]步骤12、将该测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定该测试图片中的人脸图像所具有的属性。
[0065]本步骤中，将该测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定该测试图片中的人脸图像所具有的属性，其中，已存储的各属性对应的特征向量的确定过程与测试图片的特征向量的确定过程类似，每个特征对应一个特征向量，将测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，就可以确定出该测试图片中的人脸图像所具有的属性。
[0066]本发明实施例适用于确定测试图片中的人脸图像所具有的年龄、表情、性别等属性。
[0067]本发明实施例中，将测试图片划分成多个不重叠的子图片，并基于设定的算法进行处理，确定出测试图片对应的纹理特征向量；且，将测试图片划分成多个具有重叠区域的分块，并基于分块采用HOG算法进行处理，得到测试图片对应的边缘形状特征向量；将测试图片的纹理特征向量和边缘形状特征向量组合成该测试图片的特征向量；以及将该测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定测试图片中的人脸图像所具有的属性，由于本发明实施例通过对测试图片划分后的多个不重叠的子图片进行处理得到该测试图片的纹理特征向量，以及对测试图片划分后的多个重叠的分块进行HOG处理得到该测试图片的边缘形状特征向量，从而得到该测试图片的特征向量，从而能够提高人脸属性估计的准确度，提高人脸属性估计的处理效率。
[0068]现有技术中，对于年龄估计来说，一般是基于主动形状模型提取到的特征点(如鼻子、眼睛、嘴巴、眉毛等五官)的位置信息的关系来粗略的判断目标属于成人还是儿童，但是如果人脸的角度发生变化，形状特征也会发生变化，采用现有技术，对估计年龄不够准确。本发明不仅提取基于子图片的人脸图像的纹理特征，还提取基于分块的方向梯度直方图特征来提取边缘形状信息，不仅快速而且能提取局部信息，对人脸没有对齐的情况也有很好的鲁棒性。
[0069]在实施中，若需要确定测试图片中的人脸图像所具有的年龄属性，则该方法在步骤11之前，还包括:
[0070]步骤10、对测试图片进行预处理，该预处理包括将测试图片裁剪为仅包含人脸部区域，并将裁剪后的测试图片设置成设定的尺寸。
[0071]本发明通过实验测试发现，对于人脸图像来说，纯脸部的区域对确定人脸图像所具有的年龄属性是有贡献的，而其余的区域(如发型、装饰等)会对确定人脸图像所具有的年龄属性产生负面影响，因此，步骤10中在获取到测试图片后，先对测试图片进行预处理，按照检测出的人脸的比例和位置裁剪出纯脸部区域，如图2所示，获取到的测试图片为A，经预处理后，裁剪出纯脸部区域为B。
[0072]本发明实施例中，在步骤10之前，该方法还包括:将测试图片转换成灰度图；或者，在步骤10之后，该方法还包括:将裁剪后的测试图片转换成灰度图。
[0073]本步骤中，测试图片可以是用户发送的图片(用户可以通过网络或直接输入的方式提供测试图片)，也可以是通过自身的图像采集装置采集到的人脸图像。
[0074]本步骤中，将裁剪后的测试图片设置成设定的尺寸，以使该剪裁后的测试图片的大小能与已存储的各特征向量对应的样本图片的大小相匹配，以提高属性估计的精度。
[0075]相应的，步骤11中对测试图片的特征提取过程都是基于上述预处理后的测试图片进行的。
[0076]基于上述任一实施例，以LBP算法为例，本发明实施例中，将测试图片划分成多个不重叠的子图片，并基于子图片采用设定的算法进行处理，确定出测试图片对应的纹理特征向量，具体过程如下:
[0077]先将测试图片划分成多个不重叠的子图片，如图3所示，优选的，所划分的每个子图片均包含人脸的一个特征(如眉毛、眼睛、鼻子、嘴巴等)；然后，基于所划分的子图片，采用LBP算法进行处理，得到各子图片所包含的各像素点的LBP值，将该子图片所包含的各像素点的LBP值进行串联，得到该子图片的纹理特征向量；再将各子图片的纹理特征向量进行串联，得到测试图片对应的纹理特征向量，即该纹理特征向量包含每个子图片的每个像素点对应的LBP值。
[0078]其中，LBP算法的主要思想是:对于每个子图片中的像素点来说，我们根据与该像素点相邻的8个像素点的灰度值以及该像素点的灰度值，确定该像素点对应的LBP值，从而确定每个子图片中各像素点的LBP值。举例说明，以某一个像素点为例进行说明，假设该像素点与该像素点相邻的8个像素点的灰度值如表I所示:
[0079]表I
[0080]
【权利要求】
1.一种确定人脸图像的属性的方法，其特征在于，该方法包括: 将测试图片划分成多个不重叠的子图片，并基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量；且将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用方向梯度直方图HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量；并将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量； 将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的属性。
2.如权利要求1所述的方法，其特征在于，基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量，包括: 基于所述子图片采用局部二值模式LBP算法或基于伽柏Gabor特征的人脸识别算法进行处理，确定出所述测试图片对应的纹理特征向量。
3.如权利要求1所述的方法，其特征在于，将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量，包括: 计算所述测试图片中每个像素点的梯度方向值； 根据每个分块所包含的各像素点的梯度方向值，确定每个分块对应的方向梯度直方图信息，以形成每个分块对应的边缘形状特征向量； 确定划分后的测试图片的多个滑动窗，将每个滑动窗内包含的分块的边缘形状特征向量进行串联，得到每个滑动窗对应的边缘形状特征向量，其中，每个滑动窗覆盖至少两个所述分块； 将每个滑动窗的边缘形状特征向量进行串联，得到所述测试图片对应的边缘形状特征向量。
4.如权利要求1所述的方法，其特征在于，将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量，具体包括: 将所述纹理特征向量和所述边缘形状特征向量组合后的向量进行降维处理；以及， 计算降维处理后的向量的子空间，并对所述降维处理后的向量进行投影处理，得到所述测试图片的特征向量。
5.如权利要求1所述的方法，其特征在于，将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的属性，包括: 分别计算所述测试图片的特征向量与已存储的各特征向量的距离，将最小距离值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者， 分别计算所述测试图片的特征向量与已存储的各特征向量的相关系数，将最大相关系数值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者， 分别计算所述测试图片的特征向量与已存储的各特征向量的余弦夹角，将最大夹角值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性。
6.如权利要求1~5任一项所述的方法，其特征在于，根据以下步骤确定已存储的各属性对应的特征向量:对于不同的属性，均选取N个不同的样本图片，N为大于等于2的正整数； 对于每种属性，确定该属性对应的N个样本图片对应的特征向量，计算该N个样本图片对应的特征向量的平均向量，将得到的平均向量作为该属性对应的特征向量。
7.如权利要求1~5任一项所述的方法，其特征在于，若需要确定所述测试图片中的人脸图像所具有的年龄属性，所述方法包括: 将所述测试图片进行预处理，所述预处理包括将所述测试图片裁剪为仅包含人脸部区域，并将裁剪后的测试图片设置成设定的尺寸； 将预处理后的测试图片的特征向量与已存储的各年龄的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的年龄属性。
8.一种确定人脸图像的属性的设备，其特征在于，该设备包括: 特征提取模块，用于将测试图片划分成多个不重叠的子图片，并基于所述子图片采用设定的算法进行处理，确定出所述测试图片对应的纹理特征向量；且，将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用方向梯度直方图HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量；并将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量； 特征匹配模块，用于将所述测试图片的特征向量与已存储的各属性对应的特征向量进行匹配，以确定所述 测试图片中的人脸图像所具有的属性。
9.如权利要求8所述的设备，其特征在于，所述特征提取模块具体用于: 基于所述子图片采用局部二值模式LBP算法或基于伽柏Gabor特征的人脸识别算法进行处理，确定出所述测试图片对应的纹理特征向量。
10.如权利要求8所述的设备，其特征在于，所述特征提取模块将所述测试图片划分成多个具有重叠区域的分块，并基于所述分块采用HOG算法进行处理，得到所述测试图片对应的边缘形状特征向量，包括: 计算所述测试图片中每个像素点的梯度方向值；根据每个分块所包含的各像素点的梯度方向值，确定每个分块对应的方向梯度直方图信息，以形成每个分块对应的边缘形状特征向量；确定划分后的测试图片的多个滑动窗，将每个滑动窗内包含的分块的边缘形状特征向量进行串联，得到每个滑动窗对应的边缘形状特征向量，其中，每个滑动窗覆盖至少两个所述分块；将每个滑动窗的边缘形状特征向量进行串联，得到所述测试图片对应的边缘形状特征向量。
11.如权利要求8所述的设备，其特征在于，所述特征提取模块将所述纹理特征向量和所述边缘形状特征向量组合成所述测试图片的特征向量，包括: 将所述纹理特征向量和所述边缘形状特征向量组合后的向量进行降维处理；以及，计算降维处理后的向量的子空间，并对所述降维处理后的向量进行投影处理，得到所述测试图片的特征向量。
12.如权利要求8所述的设备，其特征在于，所述特征匹配模块具体用于: 分别计算所述测试图片的特征向量与已存储的各特征向量的距离，将最小距离值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者， 分别计算所述测试图片的特征向量与已存储的各特征向量的相关系数，将最大相关系数值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性；或者， 分别计算所述测试图片的特征向量与已存储的各特征向量的余弦夹角，将最大夹角值对应的已存储的特征向量对应的属性确定为所述测试图片中的人脸图像所具有的属性。
13.如权利要求8~12任一项所述的设备，其特征在于，所述设备还包括: 训练模块，用于对于不同的属性，均选取N个不同的样本图片，N为大于等于2的正整数；对于每种属性，确定该属性对应的N个样本图片对应的特征向量，计算该N个样本图片对应的特征向量的平均向量，将得到的平均向量作为该属性对应的特征向量； 存储模块，用于存储所述训练模块得到的各属性对应的特征向量。
14.如权利要求8~12任一项所述的设备，其特征在于，若需要确定所述测试图片中的人脸图像所具有的年龄属性，所述设备还包括预处理模块；其中: 所述预处理模块用于:将所述测试图片进行预处理，所述预处理包括将所述测试图片裁剪为仅包含人脸部区域，并将裁剪后的测试图片设置成设定的尺寸； 所述特征匹配模块具体用于:将预处理后的测试图片的特征向量与已存储的各年龄的特征向量进行匹配，以确定所述测试图片中的人脸图像所具有的年龄属性。
【文档编号】G06K9/46GK103810490SQ201410051532
【公开日】2014年5月21日 申请日期:2014年2月14日 优先权日:2014年2月14日
【发明者】辛帅, 王勇进, 周玉 申请人:海信集团有限公司