一种人脸属性检测模型生成方法及系统的制作方法
【技术领域】
[0001] 本发明涉及图像分析技术领域，特别涉及一种人脸属性检测模型生成方法及系 统。
【背景技术】
[0002] 人脸属性检测技术是图像分析领域当中，近年来非常活跃的一个分支。在安防、娱 乐或智能设备等诸多范畴当中，人脸属性检测技术都有着广阔的前景和重要的实用价值。
[0003] 所谓人脸属性检测的主要思想就是，利用人脸图像上显示的某些细节特征(如局 部区域的颜色、边缘形状或纹理)，来确定人脸图像上的诸多属性(如年龄、种族、性别或表 情）；以实现人像的筛选、分类、检索乃至身份识别等目的。
[0004] 目前阶段，最常见的人脸属性检测技术一般都基于支持向量机（SupportVector Machine，简称SVM)。基于SVM的人脸属性检测，就是利用贪婪算法选择人脸图像中能最能 代表特定属性的特征，联合所选取的若干特征并通过SVM模型进行计算，进而实现特定属 性的判断。
[0005] 基于SVM的人脸属性检测，整体方案相对简洁，在常规的人脸属性检测过程中，其 准确率也能够满足使用需求。不过该方案的缺陷在于：只能在人脸图像清晰完整的情况下 保障准确率，但不具备延伸和推演的性质；一旦人脸图像的某些部分模糊或者存在遮挡，即 存在未知的特征时，SVM模型便会失效，无法实现正确的人脸属性检测。
【发明内容】
[0006] 有鉴于此，本发明的目的在于提供一种人脸属性检测模型生成方法和系统，将人 脸图像的多个属性乃至各属性下层的特征关联在检测模型中，使得该模型再检测过程中， 可以利用待测人脸图像已知的特征参量计算全部属性的属性参量，实现在部分特征参量未 知的情况下，准确的完成人脸属性检测。
[0007] 为实现上述目的，本发明有如下技术方案：
[0008] 第一方面，本发明提供了一种人脸属性检测模型生成方法，所述方法包括：
[0009] 针对人脸不同的属性，分别从人脸样本图像中选定与属性对应的特征决策树结 构，所述特征决策树结构包括一个或多个特征；将所述特征决策树结构转换为子和积网络 结构；
[0010] 以多个对应属性的子和积网络结构和所述属性的属性参量作为结点，组合为母和 积网络结构，并为母和积网络结构的边配置权重值，得到检测模型；
[0011] 所述属性参量为判断属性是否存在的参量；所述和积网络结构的边用于连接所述 结点。
[0012] 在第一方面的第一种可能的实现方式中，所述分别从人脸样本图像中选定与属性 对应的特征决策树结构具体为：
[0013] 利用人脸样本图像，针对属性进行特征训练，得到支持该属性的特征决策树结构， 并得到特征决策树结构中每个特征对应的特征检测器和特征定位器。
[0014] 在第一方面的第二种可能的实现方式中，所述方法还包括：
[0015] 从待测人脸图像中提取已知特征参量代入检测模型，计算得到待测人脸图像中的 属性参量的值；所述特征参量为代表相应特征判断结果的参量。
[0016] 在第一方面的第三种可能的实现方式中，所述从待测人脸图像中提取已知特征参 量具体为：
[0017] 利用所述特征定位器在待测图像中找到该特征所在的区域，在区域内利用所述特 征检测器得到已知特征参量。
[0018] 在第一方面的第四种可能的实现方式中，所述计算得到待测人脸图像中的属性参 量的值具体为：
[0019] 在所述检测模型中利用最大概率指派算法计算得到待测人脸图像中的属性参量 的值。
[0020] 在第一方面的第五种可能的实现方式中，所述以多个对应属性的子和积网络结构 和所述属性的属性参量作为结点，组合为母和积网络结构具体为：
[0021] 预先设置母和积网络结构模板；
[0022] 以多个对应属性的子和积网络结构和所述属性的属性参量作为结点，将所述结点 按照母和积网络结构模板组合，得到母和积网络结构。
[0023] 在第一方面的第六种可能的实现方式中，所述为母和积网络结构的边配置权重值 具体为：
[0024] 随机设定母和积网络结构的各边的参考权重，并利用人脸样本图像对母和积网络 结构各边的参考权重进行训练；
[0025] 所述参考权重的训练具体为，根据人脸样本图像反复重置参考权重，直到重置后 的参考权重与重置前参考权重的差值小于预设的收敛阈值，则将所述重置后的参考权重作 为各边的权重值。
[0026] 在第一方面的第七种可能的实现方式中，所述对母和积网络结构各边的参考权重 进行训练具体为：
[0027] 利用最大概率指派算法对母和积网络结构各边的参考权重进行训练。
[0028] 第二方面，本发明提供了一种人脸属性检测模型生成系统，所述系统具体包括：
[0029] 子建模模块，用于针对人脸不同的属性，分别从人脸样本图像中选定与属性对应 的特征决策树结构，所述特征决策树结构包括一个或多个特征；将所述特征决策树结构转 换为子和积网络结构；
[0030] 母建模模块，用于以多个对应属性的子和积网络结构和所述属性的属性参量作为 结点，组合为母和积网络结构，并为母和积网络结构的边配置权重值，得到检测模型；
[0031] 所述属性参量为判断属性是否存在的参量；所述和积网络结构的边用于连接所述 结点。
[0032] 在第二方面的第一种可能的实现方式中，所述子建模模块具体包括：
[0033] 特征训练单元，用于利用人脸样本图像，针对属性进行特征训练，得到支持该属性 的特征决策树结构，并得到特征决策树结构中每个特征对应的特征检测器和特征定位器；[0034] 子结构单元，用于将所述特征决策树结构转换为子和积网络结构。
[0035] 在第二方面的第二种可能的实现方式中，所述系统还包括：
[0036]图像检测模块，用于从待测人脸图像中提取已知特征参量代入检测模型，计算得 到待测人脸图像中的属性参量的值；
[0037] 所述特征参量为代表相应特征判断结果的参量。
[0038] 在第二方面的第三种可能的实现方式中，所述图像检测模块具体包括：
[0039] 提取单元，用于利用所述特征定位器在待测图像中找到该特征所在的区域，在区 域内利用所述特征检测器得到已知特征参量；
[0040] 计算单元，用于将已知特征参量代入检测模型，计算得到待测人脸图像中的属性 参量的值。
[0041] 在第二方面的第四种可能的实现方式中，所述母建模模块具体包括：
[0042] 模板单元，用于预先设置母和积网络结构模板；
[0043] 母结构单元，用于以多个对应属性的子和积网络结构和所述属性的属性参量作为 结点，将所述结点按照母和积网络结构模板组合，得到母和积网络结构；
[0044] 权重单元，用于为母和积网络结构的各边配置权重值。
[0045] 在第二方面的第五种可能的实现方式中，所述权重单元具体包括：
[0046] 随机设定子单元，用于随机设定母和积网络结构的各边的参考权重；
[0047] 权重训练子单元，用于所述参考权重的训练具体为，根据人脸样本图像反复重置 参考权重，直到重置后的参考权重与重置前参考权重的差值小于预设的收敛阈值，则将所 述重置后的参考权重作为各边的权重值。
[0048] 通过以上技术方案可知，本发明存在的有益效果是：本发明利用SPN结构的检测 模型，使不同特征或者属性相互关联起来，所以即使存在某些未知特征参量，检测模型也能 够通过上述的关联关系，由已知的特征参量计算出未知的属性参量和特征参量，进而准确 的对属性进行判断；本发明中的人脸属性检测更具有延伸性，实现了对于局部模糊或遮挡 的待测图像的属性检测。
【附图说明】
[0049] 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，下面描述中的附图是本发明 的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据 这些附图获得其他的附图。
[0050] 图1为本发明实施例所述方法流程图；