CN105809178A - 一种基于人脸属性的人群分析方法及装置 - Google Patents

Abstract

本发明涉及一种基于人脸属性的人群分析方法及装置，包括：获得应用场景的视频信息；从视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有，则获得人脸位置及人脸大小，并保存；对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；识别人脸图像上的特殊位置，根据特殊位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；从校准后的人脸图像中提取人脸属性特征，将人脸属性特征输入至人脸属性模型中得到人脸属性值；根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计。

Description

一种基于人脸属性的人群分析方法及装置

技术领域

本发明涉及图像处理技术领域，特别涉及一种基于人脸属性的人群分析方法及装置。

背景技术

众多公共场所如商场、公交车站每天都具有巨大的人流量，对这些数据进行采集，并进行人群分析具有重要的应用。在广告牌、自动售货机、商场门口、电梯口等场景下安设网络摄像头，采集人脸信息，估计其年龄、性别等属性信息，记录其停留时间，统计人流密度，可帮助商家了解人流的高峰时间，挖掘顾客群体或关注群体的基本信息，从而制定相关的营销策略。

在现有的基于计算机视觉手段的人群分析算法中，其研究重点多为人流量估计和人脸识别，而在属性估计上的开发甚少，由于缺少人群的性别、年龄等属性信息，在针对具体场景人群分析时因数据不足而受限。而现有的基于属性的人群分析系统中，如申请号CN201110448712公开的一种互联网广告人群分析系统和分析方法，申请号CN201210079096公开的一种网页人群属性的预测方法，这两个技术方案对人群属性的获得多是通过网页获取的方式，从用户的注册信息或用户ID中获取用户的基本属性，并进行预处理去掉不合理的用户属性信息，这种方法依赖于互联网，并受限于用户的信息保密程度。而本发明则是利用摄像头获取人脸特征，这种获取方法更加方便、直接，在互联网外的场所安置摄像机便可取得，然后通过人脸属性估计和其他人脸处理技术获取人脸的各种属性信息并加以分析。

在现有的基于属性的人群分析系统中，多采用网页获取的方式获得人群属性，即根据用户的注册信息或用户ID获取用户的基本属性，并进行预处理去掉不合理的用户属性，然后进行分析。这种人群属性获取的方式属性来源有限，受用户信息保密程度的限制，并且在互联网外的场合不能使用。为实时了解网页外场合的信息，铺设摄像机捕获人群信息是常用的手段，现有的很多公共场所中已经采用了视频监控的技术对人流进行分析，但目前的监控系统中主要的功能模块仅限于人数统计、人流分析等，因为缺少人群的年龄、识别等属性的信息，造成众多统计数据简单，无法进行更深入的分析。

发明内容

为解决现有技术的问题，本发明提出一种基于人脸属性的人群分析方法及装置，通过人脸属性估计算法，对摄像机拍摄到的人群视频进行性别、年龄、种族、表情等属性进行估计，以此提取出人群的统计特征，在特定的场景中应用。

为实现上述目的，本发明提供了一种基于人脸属性的人群分析方法，该方法包括：

获得应用场景的视频信息；

从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

优选地，所述人脸属性模型的建立步骤包括：

以标记的自然场景下人脸组成的人脸数据库为训练数据，对人脸图像进行校准；

提取校准后的人脸图像的特征，输入至支持向量机分类器进行训练，依次构建性别分类器模型、种族分类器模型、年龄段分类器模型、各种表情分类器模型。

优选地，所述获得人脸位置及人脸大小的方法为自适应增强人脸检测算法、基于深度学习的人脸检测算法。

优选地，所述人脸属性特征包括局部二值模式特征、方向梯度直方图特征、尺度不变特征转换特征、小波特征。

为实现上述目的，本发明还提供了一种基于人脸属性的人群分析装置，该装置包括：

视频信息获取单元，用于获得应用场景的视频信息；

人脸检测单元，用于从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

跟踪单元，用于对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

人脸校准单元，用于识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

人脸属性获取单元，用于从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

人群分析单元，用于根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

优选地，所述人脸属性模型的建立步骤包括：

以标记的自然场景下人脸组成的人脸数据库为训练数据，对人脸图像进行校准；

提取校准后的人脸图像的特征，输入至支持向量机分类器进行训练，依次构建性别分类器模型、种族分类器模型、年龄段分类器模型、各种表情分类器模型。

优选地，所述跟踪单元采用自适应增强人脸检测算法或基于深度学习的人脸检测算法获得人脸位置及人脸大小。

优选地，所述人脸属性特征包括局部二值模式特征、方向梯度直方图特征、尺度不变特征转换特征、小波特征。

上述技术方案具有如下有益效果：本技术方案涉及了人脸与其属性的多种分析算法，其中以人脸属性估计为核心，并包含人脸检测、人脸跟踪、人脸校准、人流量计算等。本发明中进行的人群分析内容可包括但不局限于人群年龄分布统计、人群性别比例统计、人群种族分布统计、人群停留时间统计、人群总数及人流密度分布统计。本发明得到的分析数据可在多种场景应用，如广告受欢迎程度评估、潜在客户分析、公共环境如车站大厅、公交站台人数统计及人群构成分析、商场人流量及密度分析等等。

附图说明

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，下面描述中的附图仅仅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。

图1为本技术方案的应用框架图；

图2为本发明提出的一种基于人脸属性的人群分析方法流程图；

图3为本发明提出的一种基于人脸属性的人群分析装置框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本领域技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。

根据本发明的发明内容部分，提出了一种基于人脸属性的人群分析方法及装置。下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。

发明概述

在现有的基于属性的人群分析系统中，多采用网页获取的方式获得人群属性，即根据用户的注册信息或用户ID获取用户的基本属性，并进行预处理去掉不合理的用户属性，然后进行分析。这种人群属性获取的方式属性来源有限，受用户信息保密程度的限制，并且在互联网外的场合不能使用。为实时了解网页外场合的信息，铺设摄像机捕获人群信息是常用的手段，现有的很多公共场所中已经采用了视频监控的技术对人流进行分析，但目前的监控系统中主要的功能模块仅限于人数统计、人流分析等，因为缺少人群的年龄、识别等属性的信息，造成众多统计数据简单，无法进行更深入的分析。

基于上述分析，本发明将人脸属性估计加入到视频监控系统中，通过视频获取装置得到人群视频数据，通过以人脸属性估计为核心，结合人脸检测、人脸跟踪、人脸校准、人流量计算的各种算法，得到人群的年龄分布统计、人群性别比例统计、人群种族分布统计、人群停留时间统计、人群总数及人流密度分布统计等多类数据，从而进行人群分析。相比于网页获取用户属性的方式，本发明提供了一种新的用户属性获取方法，该方法在互联网之外的实际场所中，只要合理部署摄像机装置，即可实时获取人群的各种人脸属性。本发明的分析结果可应用在多种场合，如在广告牌前设置摄像机，即可评估广告的受欢迎程度、进行潜在客户分析，在公交站台设置摄像机，可统计每天的人流量、分析乘车人群的构成，在收银台前设置摄像机，可分析顾客的年龄、性别、种族分布等，此外在超市、商场等场合均可应用。

在介绍了本发明的基本原理之后，下面具体介绍本发明的各种非限制性实施方式。

应用场景总览

本技术方案以人群中人脸信息数据为处理对象，分析出可应用于不同场景下的统计数据。

数据1：人群年龄分布统计。根据本技术方案得到的人脸年龄信息，计算在特定时间内，各年龄段中人群的数量，并结合该时间段内的总人流量，计算年龄分布直方图。该特征可标明在该段时间内，不同年龄群的人流比例。

数据2：人群性别比例统计。根据本技术方案得到的人脸性别信息，计算在特定时间内，各性别人群的数量，并结合该时间段内的总人流量，计算性别直方图。该特征可标明在该段时间内，不同性别的人流比例。

数据3：人群种族分布统计。根据本技术方案得到的人脸种族信息，计算在特定时间内，各种族人群的数量，并结合该时间段内的总人流量，计算种族分布直方图。该特征可标明在该段时间内，不同种族的人流比例。

数据4：人群停留时间分布统计。根据本技术方案得到的人脸停留时间信息，统计在特定时间内，各人群停留的时长，计算该时间段内人群停留时间长度的直方图。

数据5：人流密度分布。根据本技术方案得到的人流量数据，统计在特定时间内，人流量密度的分布。

基于上述数据信息，本发明的应用场景十分广泛，这里仅对部分场景进行分析。如图1所示。

应用1：广告受欢迎度分析

受欢迎的广告能吸引更多的人群花费更多的时间观看。该应用下，视频获取装置应安装在广告牌前，捕获前来观看广告的人脸数据。根据本技术方案得到的人群停留时间分布统计数据信息，通过该分布，可以得到人群停留时间的均值，以及停留时间较长的人数，可以看出人群对广告的关注程度，以此评价广告的受欢迎度。利用本技术方案得到的人群年龄分布统计数据信息、人群性别比例统计数据信息、人群种族分布统计数据信息可以分析出对该广告感兴趣的人群的性别倾向、年龄段倾向、种族倾向。

应用2：公交站台

该应用下，视频获取装置应在公交站台以交叉安装的方式覆盖，捕获前来乘车的人脸数据。根据本技术方案得到的人流密度分布数据信息，可以估计出每天来往该公交车站的人流总数以及每天乘客乘坐的高峰期。根据人群年龄分布统计数据信息、人群性别比例统计数据信息我们可以估计出该公交车站乘客的性别比例，以及各年龄段乘客的分布。

应用3：收银台

该应用下，视频获取装置应安装在收银台前，捕获前来结账顾客的人脸数据。根据本技术方案得到人群年龄分布统计数据信息、人群性别比例统计数据信息、人群种族分布统计数据信息，我们可以估计出结账顾客的性别比例，各年龄段顾客分布，以及各种族顾客分布，帮助我们了解顾客整体信息，为制定和调整销售策略服务。

应用4：商场

该应用下，视频获取装置应安装在商场门口大厅、电梯口等，捕获来往顾客的人脸数据。根据本技术方案得到人群年龄分布统计数据信息、人群性别比例统计数据信息、人群种族分布统计数据信息，我们可以估计出每天进出商场的人群中男女的比例，该商场对各个年龄段人群的吸引力。根据人流密度分布数据信息我们可以估计商场顾客来临的高峰期和每天的客流量。

示例性方法

下面结合上述应用场景，参考图2来描述根据本发明示例性实施方式的人群分析方法。需要注意的是，上述应用场景仅是为了便于理解本发明的精神和原理而示出，本发明的实施方式在此方面不受任何限制。相反，本发明的实施方式可以应用于适用的任何场景。

图2示意性地示出了根据本发明实施方式的人群分析方法示意图。如图2所示，在本实施例中，具体可以包括以下步骤：

步骤201)：获得应用场景的视频信息；

步骤202)：从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

步骤203)：对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

步骤204)：识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

步骤205)：从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

步骤206)：根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

本技术方案以人脸属性估计和人流量计算为目的，结合了人脸检测、人脸跟踪、人脸校准等算法。通过人脸检测算法在视频中检测出人脸位置大小和个数；通过人脸跟踪算法，对已检测到的人脸进行跟踪，识别出下一帧中相关联的人脸，为人数统计做基础；通过人脸校准算法对跟踪到的人脸进行统一化处理，识别它的5个关键点(左右眼睛、鼻子、左右嘴角)的位置并进行校正，为属性估计做准备；人脸属性估计针对校准后的人脸，提取它的多维特征，并输入至人脸属性模型，通过分类器决策出属性值。

对于人脸属性模型来说，可以以LFW(LabeledFacesintheWild，标记的自然场景下人脸)人脸数据库为训练数据，也可使用其他数据库。根据人脸数据库构建用于训练不同属性如性别(包括：男性、女性)，种族(包括：黄种人、白种人、黑种人)，年龄段(包括：婴儿、儿童、青年、中年、老年)，表情(包括：开心、轻微张嘴、大幅度张嘴、没有张嘴、睁眼、戴太阳镜、戴眼镜、不戴眼镜)的训练数据集，在每一种属性的训练过程中，对数据库中的人脸校准后，提取LBP、HOG和SIFT等特征，并采用SVM(SupportVectorMachine，支持向量机)分类器进行训练所得到的数据，依次构建各性别分类器模型、各种族分类器模型、各年龄段分类器模型和各种表情分类器模型。本技术方案的人脸属性模型只在该系统构建初时执行一次，在人脸处理装置中不再重复执行。

本技术方案以人流量、人脸属性如年龄、性别、种族、表情，人群停留时间等为分析对象，统计在特定的时间段监控场景中人群的年龄分布、性别分布、种族分布、停留时间分布，以及分析人群在特定时间段内的总人流量，人流密度高峰期与低峰期，已经人群流量在整个时间段内的分布。

本发明的应用场景示例是跟据上述对人群分析得到的数据，针对不同的场景下，提取不同的数据应用。

为验证本技术方案的可行性，本实施例搭建了一个人脸属性估计系统进行实验。该系统包括了人脸检测、人脸跟踪、人脸校准、人脸属性估计等各功能模块。

实验中，我们的性别属性值包括：男性、女性；种族属性值包括：黄种人、白种人、黑种人；年龄段属性值包括：婴儿、儿童、青年、中年、老年；表情属性包括：开心、轻微张嘴、大幅度张嘴、没有张嘴、睁眼、戴太阳镜、戴眼镜、不戴眼镜等等。

经过测试，在LFW数据集上，该人脸属性估计系统的准确率大部分能达到80％以上。另外，该系统在实际开放场景下也进行了测试，具体的准确率可参考表格1。

表1人脸属性估计准确率

相比于网页获取用户属性的方式，本技术方案将人脸属性估计运用到人群分析系统中，提供了一种新的用户属性获取方法，该方法在互联网之外的实际场所中，只要合理部署摄像机装置，即可实时获取人群的各种人脸属性，扩大了应用的范围。

相比于现有的视频监控系统多关注于人脸识别和流量统计功能，本技术方案为视频监控提供了更多的数据获取方法，通过人脸属性的估计，我们可以得到性别属性如男性、女性，种族属性如黄种人、白种人、黑种人，年龄段属性如婴儿、儿童、青年、中年、老年，表情属性如开心、轻微张嘴、大幅度张嘴、没有张嘴、睁眼、戴太阳镜、戴眼镜、不戴眼镜等等，为各类数据的统计提供了基础。

本技术方案中人脸检测是使用一种基于Haar-Like特征的Adaboost人脸检测算法，这种算法速度快，但检测精度有限。可替代的方法是基于深度学习的人脸检测算法，汤晓鸥等人开发了一个名为DeepID的深度学习模型，在LFW人脸数据库上获得了99.15％的识别率，使用他们提供的FreeFace-SDK可使人脸检测的精度提高，有利于后续的运算。

本技术方案中人脸跟踪是采用一种简单的基于视频连续性的位置覆盖率阈值判别法来判定前后帧人脸相同的可能性，该方法运算速度快，但准确度较低。可替代的方法有CAMSHIFT(ContinuouslyAdaptiveMean-SHIFT，连续自适应mean-shift算法)人脸跟踪算法和粒子滤波人脸跟踪算法，但后面的两种运算速度均不及比本方案选择的方法。

本技术方案中人脸属性估计主要提取的特征为LBP、HOG、SIFT特征，并使用SVM分类器进行模型训练，可替代和添加的特征还有Garbo(小波)特征。

示例性设备

在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的人群分析装置进行描述。

图3示意性地示出了根据本发明实施例的人群分析装置的结构框图。如图3所示，在本实施例中，装置包括：

视频信息获取单元301，用于获得应用场景的视频信息；

人脸检测单元302，用于从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

跟踪单元303，用于对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

人脸校准单元304，用于识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

人脸属性获取单元305，用于从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

人群分析单元306，用于根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

优选地，所述人脸属性模型的建立步骤包括：

以标记的自然场景下人脸组成的人脸数据库为训练数据，对人脸图像进行校准；

提取校准后的人脸图像的特征，输入至支持向量机分类器进行训练，依次构建性别分类器模型、种族分类器模型、年龄段分类器模型、各种表情分类器模型。

优选地，所述跟踪单元采用自适应增强人脸检测算法或基于深度学习的人脸检测算法获得人脸位置及人脸大小。

优选地，所述人脸属性特征包括局部二值模式特征、方向梯度直方图特征、尺度不变特征转换特征、小波特征。

本装置在硬件实现上可以由网络摄像机和后台数据处理服务器构成。根据应用的场景，将网络摄像机布置在不同的位置，如在广告牌前，公交站台，收银台前，商场大厅，电梯口前等等。通过网络摄像机获取人群脸部图像，在后台使用人脸相关算法进行处理。

应当注意，尽管在上文详细描述中提及了密码系统的若干装置或子装置，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多装置的特征和功能可以在一个系统中具体化。反之，上文描述的一个系统的特征和功能可以进一步划分为由多个装置来具体化。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于人脸属性的人群分析方法，其特征在于，该方法包括：

获得应用场景的视频信息；

从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

2.如权利要求1所述的方法，其特征在于，所述人脸属性模型的建立步骤包括：

以标记的自然场景下人脸组成的人脸数据库为训练数据，对人脸图像进行校准；

提取校准后的人脸图像的特征，输入至支持向量机分类器进行训练，依次构建性别分类器模型、种族分类器模型、年龄段分类器模型、各种表情分类器模型。

3.如权利要求1所述的方法，其特征在于，所述获得人脸位置及人脸大小的方法为自适应增强人脸检测算法、基于深度学习的人脸检测算法。

4.如权利要求1所述的方法，其特征在于，所述人脸属性特征包括局部二值模式特征、方向梯度直方图特征、尺度不变特征转换特征、小波特征。

5.一种基于人脸属性的人群分析装置，其特征在于，该装置包括：

视频信息获取单元，用于获得应用场景的视频信息；

人脸检测单元，用于从所述应用场景的视频信息中读取视频帧图像，以一定的步长扫描视频帧图像，判断视频帧图像中是否有人脸出现；如果有人脸出现，则获得人脸位置及人脸大小，并保存；

跟踪单元，用于对比前后两帧图像中检测到的人脸位置及人脸大小，记录应用场景中跟踪到的人脸总数及在应用场景停留时间；

人脸校准单元，用于识别人脸图像上的左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置，根据所述左眼位置、右眼位置、鼻子位置、左嘴角位置、右嘴角位置之间的距离关系，估计人脸姿态，并利用估计到的人脸姿态对人脸图像进行校准；

人脸属性获取单元，用于从校准后的人脸图像中提取人脸属性特征，将所述人脸属性特征输入至人脸属性模型中进行对比，得到人脸属性值；

人群分析单元，用于根据人脸属性值得到应用场景的人群年龄分布统计、人群性别比例统计、人群种族分布统计和表情分布统计；同时，利用跟踪到的人脸总数和在应用场景停留时间获得人群总数及人流密度分布、人群停留时长统计。

6.如权利要求5所述的装置，其特征在于，所述人脸属性模型的建立步骤包括：

以标记的自然场景下人脸组成的人脸数据库为训练数据，对人脸图像进行校准；

提取校准后的人脸图像的特征，输入至支持向量机分类器进行训练，依次构建性别分类器模型、种族分类器模型、年龄段分类器模型、各种表情分类器模型。

7.如权利要求5所述的装置，其特征在于，所述跟踪单元采用自适应增强人脸检测算法或基于深度学习的人脸检测算法获得人脸位置及人脸大小。

8.如权利要求5所述的装置，其特征在于，所述人脸属性特征包括局部二值模式特征、方向梯度直方图特征、尺度不变特征转换特征、小波特征。