人脸图像数据处理方法、装置、设备及存储介质与流程

本申请涉及机器学习应用领域，尤其涉及一种人脸图像数据处理方法、装置、设备及存储介质。

背景技术：

近几年来，随着数据量的增大，计算机计算能力增强，深度学习在很多领域都得到了广泛的应用，特别是在图像检测与识别方面，深度学习的应用尤为广泛。由于对人工神经网络的研究，深度学习使机器学习进一步发展。

在实际应用中，卷积神经网络的结构特点，决定了其比较适合数字图像领域中的人脸识别。但是，利用人脸图像只进行人脸识别已经不能满足人们的需求，在人脸识别的基础上，人们还想要利用人脸图像进行性别估算和/或年龄估算。在现有技术中，将人脸图像输入到一个深度网络模型中进行人脸识别，然后将同一张人脸图像输入到另一个深度网络模型中进行性别估算和/或年龄估算。对于每张人脸图像，由于使用了多个深度网络模型，所以，增加了运算量，使预测过程变得耗时。

技术实现要素：

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种人脸图像数据处理方法、装置、设备及存储介质。

第一方面，本申请实施例提供了一种人脸图像数据处理方法，包括：

获取待处理图像，所述待处理图像中包括至少一个人脸；

对所述待处理图像进行预处理，得到所述人脸的正姿态图像；

利用预设特征图提取网络，提取所述正姿态图像中的目标特征图；

对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

可选的，对所述目标特征图进行属性估算，得到所述人脸的属性数据，包括：

将所述目标特征图输入至预设属性估算网络；

利用所述预设属性估算网络对所述目标特征图进行属性估算，得到所述人脸的所述属性数据。

可选的，若所述属性数据为年龄，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，包括：

将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个年龄标签分别对应相似度的年龄相似度向量；

将所述年龄相似度向量中每个相似度与相对应的年龄标签的值相乘，得到相乘结果；

将多个所述相乘结果相加，计算得到与所述人脸对应的目标年龄。

可选的，对所述目标特征图进行人脸识别，得到所述人脸的识别类别，包括：

将所述目标特征图输入至预设面部分类网络；

利用所述预设面部分类网络对所述目标特征图进行人脸识别，得到目标特征向量；

利用所述目标特征向量确定所述人脸的所述识别类别。

可选的，所述对所述待处理图像进行预处理，得到所述人脸的正姿态图像，包括：

定位所述待处理图像中的面部关键特征点；

当所述面部关键特征点的数量超过预设数值时，确定所述待处理图像中存在面部图像；

获取所述面部图像的图像亮度信息、清晰度信息和对称性信息；

判断所述图像亮度信息、所述清晰度信息和所述对称性信息是否均符合图像要求；

若所述图像亮度信息、所述清晰度信息和所述对称性信息均符合所述图像要求，则矫正所述面部图像；

对矫正后的面部图像进行归一化处理，得到所述正姿态图像。

可选的，还包括：

构建人脸识别数据集、属性估算数据集和基础神经网络，所述属性估算数据集中的每张图像分别对应一个属性数据标签；

对所述人脸识别数据集中的每张图像分别进行预处理，对所述属性估算数据集中的每张图像分别进行预处理；

利用经过预处理的人脸识别数据集训练所述基础神经网络，得到所述预设特征图提取网络；

利用所述预设特征图提取网络提取预处理后的人脸识别数据集中的每张图像的第一特征图，得到第一特征图数据集，利用所述预设特征图提取网络提取预处理后的属性估算数据集中的每张图像的第二特征图，得到第二特征图数据集；

在所述预设特征图提取网络的输出端分别构建第一网络和第二网络；

利用所述第一特征图数据集训练所述第一网络，得到预设面部分类网络；

利用所述第二特征图数据集及与所述第二特征图数据集中的每张第二特征图分别对应的属性数据标签，训练所述第二网络，得到预设属性估算网络。

可选的，所述利用所述第二特征图数据集及与所述第二特征图数据集中的每张第二特征图分别对应的属性数据标签，训练所述第二网络，得到预设属性估算网络，包括：

将所述第二特征图数据集分成训练数据集和测试数据集；

选出与所述训练数据集中的每张第二特征图分别对应的属性数据标签，得到训练标签数据集；

选出与所述测试数据集中的每张第二特征图分别对应的属性数据标签，得到测试标签数据集；

利用所述训练数据集和所述训练标签数据集训练所述第二网络，得到训练后网络；

利用所述测试数据集和所述测试标签数据集测试所述训练后网络，得到所述预设属性估算网络。

第二方面，本申请实施例提供了一种人脸图像数据处理装置，包括：获取模块、预处理模块、提取模块和处理模块；

所述获取模块，用于获取待处理图像，所述待处理图像中包括至少一个人脸；

所述预处理模块，用于对所述待处理图像进行预处理，得到所述人脸的正姿态图像；

所述提取模块，用于利用预设特征图提取网络，提取所述正姿态图像中的目标特征图；

所述处理模块，用于对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

第三方面，本申请实施例提供了一种人脸图像数据处理设备，包括：处理器、存储器、通信接口和总线；

所述处理器、所述存储器与所述通信接口通过所述总线完成相互间的通信；

所述通信接口用于外部设备之间的信息传输；

所述处理器用于调用所述存储器中的程序指令，以执行如第一方面中任一项所述方法的步骤。

第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如第一方面中任一项所述方法的步骤。

本申请实施例提供的上述技术方案与现有技术相比具有如下优点：

本申请实施例提供的人脸图像数据处理方法包括：获取待处理图像，待处理图像中包括至少一个人脸；对待处理图像进行预处理，得到人脸的正姿态图像；利用预设特征图提取网络，提取正姿态图像中的目标特征图；对目标特征图分别进行属性估算和人脸识别，得到人脸的属性数据和识别类别。所以，由于人脸识别过程和属性估算过程共用一个特征图提取网络，人脸识别过程和属性估算过程使用了同一个特征图提取网络输出的目标特征图，所以，可以使得在人脸识别同时估算属性数据的过程中，既不会影响人脸识别准确性，也不会增加大量的运算量，不会耗费大量时间。因此，可以缓解现有技术中存在的增加运算量，使预测过程变得耗时的问题。

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，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种人脸图像数据处理方法的流程图；

图2为本申请实施例提供的预设属性估算网络与预设特征图提取网络的第一种连接关系图；

图3为本申请实施例提供的预设属性估算网络与预设特征图提取网络的第二种连接关系图；

图4为本申请实施例提供的预设面部分类网络与预设特征图提取网络的连接关系图；

图5为本申请实施例提供的一种人脸图像数据处理装置的结构示意图；

图6为本申请实施例提供的一种人脸图像数据处理设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请提供一种人脸图像数据处理方法、装置、设备及存储介质，可以缓解现有技术中存在的增加运算量，使预测过程变得耗时的问题，因此，可以使得在人脸识别同时估算属性数据的过程中，既不会影响人脸识别准确性，也不会增加大量的运算量，不会耗费大量时间。

首先，对本申请实施例中的一种人脸图像数据处理方法进行详细介绍，如图1所示，人脸图像数据处理方法可以包括步骤s101至步骤s104：

s101，获取待处理图像，所述待处理图像中包括至少一个人脸。

示例性的，待处理图像可以是抓拍图像，也可以是视频流中的一帧。

s102，对所述待处理图像进行预处理，得到所述人脸的正姿态图像。

其中，预处理过程可以包括：面部关键特征点定位、面部检测、图像质量筛选、图像归一化和图像矫正等。

s103，利用预设特征图提取网络，提取所述正姿态图像中的目标特征图。

示例性的，预设特征图提取网络可以为mobilenet网络。其中，mobilenet网络的计算参数少，加法和乘法的运算次数少，计算量小。

s104，对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

具体的，对所述目标特征图进行属性估算，得到所述人脸的属性数据。对所述目标特征图进行人脸识别，得到所述人脸的识别类别。

其中，所述识别类别可以包括：识别出所述人脸是否在预设的数据库中，和/或，识别出与所述人脸对应的身份信息。

本申请实施例提供的人脸图像数据处理方法包括：获取待处理图像，待处理图像中包括至少一个人脸；对待处理图像进行预处理，得到人脸的正姿态图像；利用预设特征图提取网络，提取正姿态图像中的目标特征图；对目标特征图分别进行属性估算和人脸识别，得到人脸的属性数据和识别类别。所以，由于人脸识别过程和属性估算过程共用一个特征图提取网络，人脸识别过程和属性估算过程使用了同一个特征图提取网络输出的目标特征图，所以，可以使得在人脸识别同时估算属性数据的过程中，既不会影响人脸识别准确性，也不会增加大量的运算量，不会耗费大量时间。因此，可以缓解现有技术中存在的增加运算量，使预测过程变得耗时的问题。

进一步的，预设特征图提取网络可以选取轻量级的卷积神经网络，降低对模型硬件的部署要求，使得本申请实施例提供的人脸图像数据处理方法适用于离线移动端设备的开发。

在本发明的又一实施例中，在前述步骤s101至步骤s104的实施例的基础上，对所述目标特征图进行属性估算，得到所述人脸的属性数据，可以包括步骤s201至步骤s202：

s201，将所述目标特征图输入至预设属性估算网络。

其中，预设属性估算网络可以包括：全局平均池化层和全连接层。全局平均池化层的数量可以根据实际需要进行设置。全连接层的数量及每个全连接层的输出类别数量可以根据实际需要进行设置。

s202，利用所述预设属性估算网络对所述目标特征图进行属性估算，得到所述人脸的所述属性数据。

示例性的，属性数据可以包括年龄、性别和活体检测结果中的至少之一。

其中，根据实际使用需要，属性数据还可以包括其他数据。

在本发明的又一实施例中，在前述步骤s201至步骤s202的实施例的基础上，若所述属性数据为年龄，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，可以包括步骤s301至步骤s303：

s301，将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个年龄标签分别对应相似度的年龄相似度向量。

其中，年龄标签的值的取值范围可以为0～100岁，年龄标签的值为整数。示例性的，年龄相似度向量可以为[p0，p1，p2，...，pi，…，p100]，pi对应年龄标签的值xi，xi＝i，i＝0，1，...，100。

s302，将所述年龄相似度向量中每个相似度与相对应的年龄标签的值相乘，得到相乘结果。

其中，得到相乘结果0×p0、1×p1、…、99×p99和100×p100。

s303，将多个所述相乘结果相加，计算得到与所述人脸对应的目标年龄。

在本发明的又一实施例中，在前述步骤s201至步骤s202的实施例的基础上，若所述属性数据为性别，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，可以包括步骤s601至步骤s602：

s601，将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个性别标签分别对应相似度的性别相似度向量。

其中，性别标签中的内容可以为男性或者为女性。示例性的，性别相似度向量可以为[pm，pw]，pm对应性别标签的内容：男性，pw对应性别标签的内容：女性。

s602，将与较大的相似度对应的性别标签中的内容确定为目标性别。

其中，若pm大于pw，则目标性别为男性，若pm小于pw，则目标性别为女性。

在本发明的又一实施例中，在前述步骤s201至步骤s202的实施例的基础上，若所述属性数据为活体检测结果，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，可以包括步骤s701至步骤s702：

s701，将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个活体检测结果标签分别对应相似度的活体检测相似度向量。

其中，活体检测结果标签中的内容可以为是活体或者不是活体。示例性的，活体检测相似度向量可以为[py，pn]，py对应活体检测结果标签的内容：是活体，pn对应活体检测结果标签的内容：不是活体。

s702，将与较大的相似度对应的活体检测结果标签中的内容确定为目标活体检测结果。

其中，若py大于pn，则目标活体检测结果为：是活体，若py小于pn，则目标活体检测结果为：不是活体。

在本发明的又一实施例中，在前述步骤s201至步骤s202的实施例的基础上，若所述属性数据包括年龄和性别，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，可以包括步骤s801至步骤s803：

s801，将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个年龄标签分别对应相似度的年龄相似度向量，及得到包含有与每个性别标签分别对应相似度的性别相似度向量。

其中，年龄标签的值的取值范围可以为0～100岁，年龄标签的值为整数。示例性的，年龄相似度向量可以为[p0，p1，p2，...，pi，…，p100]，pi对应年龄标签的值xi，xi＝i，i＝0，1，...，100。

其中，性别标签中的内容可以为男性或者为女性。示例性的，性别相似度向量可以为[pm，pw]，pm对应性别标签的内容：男性，pw对应性别标签的内容：女性。

s802，将所述年龄相似度向量中每个相似度与相对应的年龄标签的值相乘，得到相乘结果，将多个所述相乘结果相加，计算得到与所述人脸对应的目标年龄。

其中，得到相乘结果0×p0、1×p1、…、99×p99和100×p100。

s803，在所述性别相似度向量中，将与较大的相似度对应的性别标签中的内容确定为目标性别。

进一步的，以属性数据包括年龄和性别为例进行说明。示例性的，如图2所示，预设特征图提取网络的第一输出端和预设属性估算网络的输入端连接，预设属性估算网络可以包括：全局平均池化层、第一全连接层、第二全连接层和第三全连接层，预设特征图提取网络的第一输出端和全局平均池化层的输入端连接，全局平均池化层的输出端和第一全连接层的输入端连接，第一全连接层的第一输出端和第二全连接层的输入端连接，第一全连接层的第二输出端和第三全连接层的输入端连接。第二全连接层和第三全连接层可以是并列的关系。

优选的，第一全连接层输出类别的数量可以为256个，第二全连接层输出类别的数量可以为101个，第三全连接层输出类别的数量可以为2个。

其中，第二全连接层可以输出年龄类别的年龄相似度向量(101维)，第三全连接层可以输出性别类别的性别相似度向量(2维)。

其中，第二全连接层连接交差熵损失函数，第三全连接层连接交差熵损失函数，在训练预设属性估算网络的过程中，需要使用交差熵损失函数。

在本发明的又一实施例中，在前述步骤s801至步骤s803的实施例的基础上，若所述属性数据包括年龄、性别和活体检测结果，则所述对所述目标特征图进行属性估算，得到所述人脸的属性数据，还可以包括步骤s901至步骤s902：

s901，将所述目标特征图输入至所述预设属性估算网络，得到包含有与每个活体检测结果标签分别对应相似度的活体检测相似度向量。

其中，活体检测结果标签中的内容可以为是活体或者不是活体。示例性的，活体检测相似度向量可以为[py，pn]，py对应活体检测结果标签的内容：是活体，pn对应活体检测结果标签的内容：不是活体。

s902，在所述活体检测相似度向量中，将与较大的相似度对应的活体检测结果标签中的内容确定为目标活体检测结果。

其中，若py大于pn，则目标活体检测结果为：是活体，若py小于pn，则目标活体检测结果为：不是活体。

更进一步的，以属性数据包括年龄、性别和活体检测结果为例进行说明。示例性的，如图3所示，预设特征图提取网络的第一输出端和预设属性估算网络的输入端连接，预设属性估算网络可以包括：全局平均池化层、第一全连接层、第二全连接层、第三全连接层和第四全连接层，预设特征图提取网络的第一输出端和全局平均池化层的输入端连接，全局平均池化层的输出端和第一全连接层的输入端连接，第一全连接层的第一输出端和第二全连接层的输入端连接，第一全连接层的第二输出端和第三全连接层的输入端连接，第一全连接层的第三输出端和第四全连接层的输入端连接。第二全连接层、第三全连接层和第四全连接层可以是并列的关系。

优选的，第一全连接层输出类别的数量可以为256个，第二全连接层输出类别的数量可以为101个，第三全连接层输出类别的数量可以为2个，第四全连接层输出类别的数量可以为2个。

其中，第二全连接层可以输出年龄类别的年龄相似度向量(101维)，第三全连接层可以输出性别类别的性别相似度向量(2维)，第四全连接层可以输出活体检测结果类别的活体检测相似度向量(2维)。

其中，第二全连接层连接交差熵损失函数，第三全连接层连接交差熵损失函数，第四全连接层连接交差熵损失函数，在训练预设属性估算网络的过程中，需要使用交差熵损失函数。

本申请实施例可以对小孩、青年、中年人和老年人等人群进行分类。例如，进行性别分类(0岁、1岁、…、99岁或100岁)、年龄分类(男性或女性)和活体检测结果分类(是活体或不是活体)。

在本发明的又一实施例中，在前述步骤s101至步骤s104的实施例的基础上，对所述目标特征图进行人脸识别，得到所述人脸的识别类别，可以包括步骤s401至步骤s403：

s401，将所述目标特征图输入至预设面部分类网络。

示例性的，如图4所示，预设特征图提取网络的第二输出端和预设面部分类网络的输入端连接，预设面部分类网络可以包括：第一卷积层、第二卷积层和第五全连接层，预设面部分类网络的第二输出端和第一卷积层的输入端连接，第一卷积层的输出端和第二卷积层的输入端连接，第二卷积层的输出端和第五全连接层的输入端连接。

优选的，第一卷积层可以为全局深度卷积层(7×7)。第五全连接层的输出类别的数量可以为128个。

s402，利用所述预设面部分类网络对所述目标特征图进行人脸识别，得到目标特征向量。

其中，第五全连接层的输出端输出目标特征向量。第五全连接层连接交差熵损失函数。在训练预设面部分类网络的过程中，需要使用交差熵损失函数。

s403，利用所述目标特征向量确定所述人脸的所述识别类别。

具体的，可以计算目标特征向量和数据库图像的相似度，进而确定所述人脸的所述识别类别。即确定所述人脸是否在预设的数据库中，和/或，确定与所述人脸对应的身份信息。

在本发明的又一实施例中，在前述步骤s101至步骤s104的实施例的基础上，步骤s102可以包括步骤s1021至步骤s1026：

s1021，定位所述待处理图像中的面部关键特征点。

示例性的，面部关键特征点可以为眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点。具体的，可以利用mtcnn(multi-taskcascadedconvolutionalnetworks，多任务级联卷积网络)算法定位所述待处理图像中的面部关键特征点。

s1022，当所述面部关键特征点的数量超过预设数值时，确定所述待处理图像中存在面部图像。

其中，可以利用mtcnn(multi-taskcascadedconvolutionalnetworks，多任务级联卷积网络)算法确定所述待处理图像中是否存在面部图像。

其中，预设数值可以根据实际需要进行设置。

示例性的，预设数值可以为3个，当所述面部关键特征点的数量超过3个时，确定所述待处理图像中存在面部图像。

其中，步骤s1022也可以为：当所述面部关键特征点满足预设条件时，确定所述待处理图像中存在面部图像。举例说明，预设条件可以为：定位到的面部关键特征点同时包括眼睛轮廓点、鼻尖轮廓点和嘴角轮廓点。

s1023，获取所述面部图像的图像亮度信息、清晰度信息和对称性信息。

s1024，判断所述图像亮度信息、所述清晰度信息和所述对称性信息是否均符合图像要求。

s1025，若所述图像亮度信息、所述清晰度信息和所述对称性信息均符合所述图像要求，则矫正所述面部图像。

其中，可以利用相似变换矫正所述面部图像。示例性的，可以对具有侧脸或者歪头的面部图像进行矫正。

s1026，对矫正后的面部图像进行归一化处理，得到所述正姿态图像。

其中，可以利用双线性插值算法对矫正后的面部图像进行归一化处理。示例性的，归一化尺寸可以为112*112像素。

在本发明的又一实施例中，在前述步骤s101至步骤s104的实施例的基础上，人脸图像数据处理方法还可以包括步骤s501至步骤s507：

s501，构建人脸识别数据集、属性估算数据集和基础神经网络，所述属性估算数据集中的每张图像分别对应一个属性数据标签。

示例性的，属性估算数据集中图像的数量可以为30万张。人脸识别数据集中图像的数量可以为200万张。

示例性的，若属性数据包括年龄和性别，则属性估算数据集中的每张图像分别对应一个年龄标签和一个性别标签。年龄标签的值的取值范围可以为0～100岁，年龄标签的值为整数。

示例性的，若属性数据包括年龄、性别和活体检测结果，则属性估算数据集中的每张图像分别对应一个年龄标签、一个性别标签和一个活体检测结果标签。年龄标签的值的取值范围可以为0～100岁，年龄标签的值为整数。性别标签中的内容可以为男性或者女性。活体检测结果标签中的内容可以为是活体或者不是活体。

其中，基础神经网络可以为卷积神经网络，例如，mobilefacenet模型。

其中，人脸识别数据集可以为vggface2或casia等数据集，属性估算数据集可以为imdb数据集。

s502，对所述人脸识别数据集中的每张图像分别进行预处理，对所述属性估算数据集中的每张图像分别进行预处理。

其中，预处理过程可以包括：面部关键特征点定位、面部检测、图像质量筛选、图像归一化和图像矫正等。

s503，利用经过预处理的人脸识别数据集训练所述基础神经网络，得到所述预设特征图提取网络。

其中，预设特征图提取网络可以为mobilenet网络。

s504，利用所述预设特征图提取网络提取预处理后的人脸识别数据集中的每张图像的第一特征图，得到第一特征图数据集，利用所述预设特征图提取网络提取预处理后的属性估算数据集中的每张图像的第二特征图，得到第二特征图数据集。

s505，在所述预设特征图提取网络的输出端分别构建第一网络和第二网络。

其中，第一网络和第二网络为并列关系。

s506，利用所述第一特征图数据集训练所述第一网络，得到预设面部分类网络。

s507，利用所述第二特征图数据集及与所述第二特征图数据集中的每张第二特征图分别对应的属性数据标签，训练所述第二网络，得到预设属性估算网络。

在本发明的又一实施例中，在前述步骤s501至步骤s507的实施例的基础上，步骤s507可以包括步骤s5071至步骤s5075：

s5071，将所述第二特征图数据集分成训练数据集和测试数据集。

具体的，可以将第二特征图数据集划分成两个部分，第二特征图数据集中的90％的数据组成训练数据集，第二特征图数据集中剩下的10％的数据组成测试数据集。

s5072，选出与所述训练数据集中的每张第二特征图分别对应的属性数据标签，得到训练标签数据集。

s5073，选出与所述测试数据集中的每张第二特征图分别对应的属性数据标签，得到测试标签数据集。

s5074，利用所述训练数据集和所述训练标签数据集训练所述第二网络，得到训练后网络。

s5075，利用所述测试数据集和所述测试标签数据集测试所述训练后网络，得到所述预设属性估算网络。

在本发明的又一实施例中，对本申请实施例中的一种人脸图像数据处理装置进行详细介绍，如图5所示，包括：获取模块51、预处理模块52、提取模块53和处理模块54。

所述获取模块51，用于获取待处理图像，所述待处理图像中包括至少一个人脸。

所述预处理模块52，用于对所述待处理图像进行预处理，得到所述人脸的正姿态图像。

所述提取模块53，用于利用预设特征图提取网络，提取所述正姿态图像中的目标特征图。

所述处理模块54，用于对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

在本发明的又一实施例中，对本申请实施例中的一种人脸图像数据处理设备进行详细介绍，如图6所示，人脸图像数据处理设备包括：处理器601、存储器602、通信接口603和总线604。

所述处理器601、所述存储器602与所述通信接口603通过所述总线604完成相互间的通信。

所述通信接口603用于外部设备之间的信息传输。

示例性的，外部设备可以为用户设备ue。

所述处理器601用于调用所述存储器602中的程序指令，以执行如上述任一项实施例所述的人脸图像数据处理方法的步骤。

具体而言，所述处理器601用于执行所述人脸图像数据处理程序，以实现以下步骤：获取待处理图像，所述待处理图像中包括至少一个人脸；对所述待处理图像进行预处理，得到所述人脸的正姿态图像；利用预设特征图提取网络，提取所述正姿态图像中的目标特征图；对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

在本发明的又一实施例中，对本申请实施例中的一种计算机可读存储介质进行详细介绍，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如上述任一项实施例所述人脸图像数据处理方法的步骤。

其中，所述计算机可读存储介质可以存储有一个或者多个计算机指令。所述计算机可读存储介质可以包括易失性存储器，例如随机存取存储器；所述计算机可读存储介质也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；所述计算机可读存储介质还可以包括上述种类的存储器的组合。

具体而言，所述计算机指令使所述计算机执行以下步骤：获取待处理图像，所述待处理图像中包括至少一个人脸；对所述待处理图像进行预处理，得到所述人脸的正姿态图像；利用预设特征图提取网络，提取所述正姿态图像中的目标特征图；对所述目标特征图分别进行属性估算和人脸识别，得到所述人脸的属性数据和识别类别。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。