CN109522824A - 人脸属性识别方法、装置、计算机装置及存储介质 - Google Patents
人脸属性识别方法、装置、计算机装置及存储介质 Download PDFInfo
- Publication number
- CN109522824A CN109522824A CN201811281100.0A CN201811281100A CN109522824A CN 109522824 A CN109522824 A CN 109522824A CN 201811281100 A CN201811281100 A CN 201811281100A CN 109522824 A CN109522824 A CN 109522824A
- Authority
- CN
- China
- Prior art keywords
- node
- facial image
- face
- target image
- task node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000009434 installation Methods 0.000 title claims description 36
- 230000001815 facial effect Effects 0.000 claims abstract description 114
- 238000005094 computer simulation Methods 0.000 claims abstract description 26
- 230000001960 triggered effect Effects 0.000 claims abstract description 6
- 238000004590 computer program Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000000887 face Anatomy 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种人脸属性识别方法包括:构建一并行计算模型,包括一主节点以及多个任务节点;通过主节点获取一目标图像,并将目标图像分配至第一类任务节点对应的存储空间中,触发第一类任务节点识别目标图像中是否包括人脸图像;当包括人脸图像时,通过第一类任务节点提取所述人脸图像,并向主节点返回所提取的所述人脸图像;通过主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有第二类任务节点对人脸图像的所有人脸属性进行并行计算;向所述主节点返回每一第二类任务节点的人脸属性的计算结果。本发明通过所述并行计算模型并行计算所述人脸图像的不同人脸属性,有利于提高运算效率,便于后续进行人脸查找以高效筛选目标人群。
Description
技术领域
本发明涉及计算机技术领域,具体涉及一种人脸属性识别方法、人脸属性识别装置、计算机装置及计算机可读存储介质。
背景技术
在日常生活中,对身份识别的需求广泛存在于各行各业,例如金融服务、海关出入境、国家安全等领域,都需要识别人的身份。随着科技的发展,生物计量学在身份识别领域的优点越来越明显,其中,人脸识别是近年来发展较为迅速的一个研究方向。人脸识别通过摄像头采集用户图像,在检测到人脸时,对用户图像进行属性(如:性别、年龄、姿态或表情等)识别,然后将提取的属性与数据库保存的预设属性信息进行比对,进而实现对用户的人脸识别。
然而,现有技术中不同属性的识别通常是基于相互独立的算法,导致每次仅能就一种属性对人脸进行识别,识别效率较低。
发明内容
鉴于以上内容,有必要提出一种人脸属性识别方法及装置、计算机装置和计算机可读存储介质,从而解决以上问题。
本申请的第一方面提供一种应人脸属性识别方法,所述方法包括:
构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性;
通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像;
当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像,并向所述主节点返回所提取的所述人脸图像;
通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果;以及
向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
本申请的第二方面提供一种人脸属性识别装置,所述装置包括:
构建模块,用于构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性;
分配模块,用于通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像;
提取模块,用于当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像;以及
返回模块,用于向所述主节点返回所述提取模块所提取的所述人脸图像;
所述分配模块还用于通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果;以及
所述返回模块还用于向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
本申请的第三方面提供一种计算机装置,所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前所述人脸属性识别方法。
本申请的第四方面提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述人脸属性识别方法。
本发明通过通过所述并行计算模型并行计算所述人脸图像的不同人脸属性,有利于提高运算效率;后续所述人脸属性识别方法可导入各种公共场合,例如:车站、地铁、商场、超市,通过获取该些场合的摄像头采集的目标图像,然后进行各项人脸属性的识别,并将识别结果与特定人群(如犯罪人员)的人脸属性的识别结果做比对,从而根据匹配度高效筛选目标人群。
附图说明
图1是本发明实施例一提供的人脸属性识别方法的流程图。
图2是图1所示的人脸属性识别方法中人脸图像的几何归一化的示意图。
图3是本发明实施例二提供的人脸属性识别装置的结构示意图。
图4是本发明实施例三提供的计算机装置示意图。
主要元件符号说明
计算机装置 | 1 |
存储器 | 20 |
处理器 | 30 |
计算机程序 | 40 |
人脸属性识别装置 | 10 |
构件模块 | 101 |
分配模块 | 102 |
提取模块 | 103 |
返回模块 | 104 |
输出模块 | 105 |
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,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。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
实施例一
请参阅图1所示,是本发明第一实施例提供的人脸属性识别方法的流程图。所述人脸属性识别方法应用于一计算机装置中。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
步骤S11:构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性。
其中,所述并行计算模型可以采用随机存取并行机器(Parallel Random AccessMachine,PRAM)模型、整体同步并行计算模型(Bulk Synchronous Parallel ComputingModel,BSP)、LogP模型以及块分布存储(Block Distributed Model,BDM)模型中的其中一种。所述并行计算模型的主节点为待识别的目标图像的输入点以及任务分配节点TaskTrack。所述任务节点为人脸属性的运算点,即任务执行节点JobTrack。所述第一类任务节点用于计算及识别所述目标图像是否包括人脸图像。所述第二类任务节点用于当所述目标图像包括人脸图像时,计算并识别所述人脸图像的人脸属性。
其中,所述人脸属性包括性别、年龄、种族、表情等。所述第二类任务节点的个数可以根据所要计算的人脸属性的个数进行设置,所要计算的人脸属性越多,所述第二类任务节点的个数也就越多。如,所述并行计算模型可包括四个第二类任务节点,所述四个第二类任务节点分别对应的人脸属性为性别、年龄、种族以及表情。
步骤S12:通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像。
其中,用户可通过一终端装置(如手机、平板电脑等)向所述主节点发送存储于所述终端装置的指定目录下的上述目标图像的处理请求。所述主节点在接收到所述处理请求时,通过所述指定目录获取所述目标图像。
在本实施方式中,所述识别所述目标图像中是否包括人脸图像之前,还包括:触发所述第一类任务节点对所述目标图像进行预处理以便排除光线等环境因素的干扰。
由于光照的影响,所述目标图像在拍摄过程中存在许多不确定性,如光强、光源方向、色彩等,使得所述目标图像的灰度深浅不均匀,人脸在局部上对比度较大,从而影响最终识别的效果,所以有必要对获取的所述目标图像采用光线调整技术进行光线调整。
进一步地,所述识别所述目标图像中是否包括人脸图像包括:
a)触发所述第一类任务节点扫描所述目标图像中是否包含人脸的预设局部特征的信息;
b)当所述图像中包含人脸的预设局部特征的信息时,判断所述目标图像中包括人脸图像。
具体地,所述预设局部特征可为鼻子、眼睛、嘴巴等,当扫描所述目标图像包括所述预设局部特征时,则判断所述目标图像中包括人脸图像。
步骤S13:当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像以实现活体检测识别,并向所述主节点返回所提取的所述人脸图像。
在本实施方式中,所述通过所述第一类任务节点从所述目标图像中提取所述人脸图像包括:
a)通过所述第一类任务节点判断所述目标图像中包括的人脸图像的数量;
b)当所述目标图像中包括的人脸图像的数量仅为一个时,通过所述第一类任务节点划定围绕所述人脸图像矩形边界,并根据所述矩形边界提取所述人脸图像;
c)当所述目标图像中包括的人脸图像的数量为至少两个时,通过所述第一类任务节点分别划定围绕每一人脸图像的矩形边界,计算每一矩形边界所界定的人脸图像的面积,并选择面积最大的其中一矩形边界提取所述人脸图像;
d)通过所述第一类任务节点将所提取的人脸图像进行几何特性的归一化处理,所述几何特性的归一化处理可以使所述人脸图像归一化到相同的位置、角度和大小。由于人的两眼之间的距离对于大多数人来说是基本相同的,因此,两只眼睛的位置通常被用作人脸图像几何归一化的依据。
具体地,如图2所示,假设人脸图像中两只眼睛的位置分别为El和Er,则通过下述步骤,可以实现人脸图像的几何归一化:
a)旋转所述人脸图像,以使El和Er的连线保持水平。这保证了人脸方向的一致性,体现了人脸在图像平面内的旋转不变性;
b)根据一定比例裁剪所述人脸图像。例如,设定图中点O为的中点,且经过裁剪,在2d×2d的图像内,可保证点O固定与(0.5d,d)处。这保证了人脸位置的一致性,体现了人脸在图像平面内的平移不变性;
c)将裁剪后的图像缩小和放大处理,得到统一尺寸并符合标准的人脸图像。例如,若规定图像的大小是128×128像素点,也就是使为定长(64个像素),则缩放倍数为β=2d/128。这保证了人脸大小的一致性,体现了人脸在图像平面内的尺度不变性。
步骤S14,通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果。
在本实施方式中,每一第二类任务节点上运行有深度学习框架(如,TensorFlow框架),所述深度学习框架调用训练好的深度学习分类器模型对所述人脸图像进行计算以识别对应的人脸属性。
以人脸属性为“性别”为例,利用所述深度学习框架对性别的计算过程包括:
a)获取所述人脸图像的性别特征参数并建立参数模型;
其中,所述性别特征参数包括毛发(包括胡子)特征参数、脸部器官参数、轮廓参数以及性征特征参数等。以需要获取胡子特征参数为例,首先对人脸特征点定位,然后进行肤色分割,采用主动形状模型算法定位人脸特征点进而获取下巴区域,然后利用肤色分割算法分离出下巴的非肤色区域,最后在下巴非肤色区域中使用胡子颜色判别法检测得到胡子,从而对胡子的特征进行参数提取。其中,可以根据胡子的颜色的不同对所述人脸图像中的胡子赋予一特征值,例如,根据胡子的颜色或密度赋予一初始值,从而根据预设初始值获取所述胡子特征参数。
在本实施方式中,可以通过局部二进制模式方法(Local Binary Patterns)、神经网络方法和SVM(Support Vector Machine,支持向量机)等方法对人脸图像进行特征提取和分类,从而获得所述性别特征参数。
b)调用一人脸性别分类器模型;
c)将所述参数模型与所述人脸性别分类器模型进行对比,从而识别所述人脸图像的性别。
步骤S15,向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
例如,当所述第二类任务节点的计算结果分别为:性别为男、年龄为18-20岁、种族为汉族、表情为微笑,则所述主节点经过汇总便可得到所述人脸图像的不同人脸属性的计算结果。
在本实施方式中,所述向所述主节点返回每一第二类任务节点的人脸属性的计算结果包括:
a)通过所述主节点轮询每一第二类任务节点,并向每一所述第二类任务节点发送一轮询请求报文,使得当所述第二类任务节点接收到所述轮询请求报文且至少一第二类任务节点对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果;
b)通过所述主节点定时向未返回计算结果的其它第二类任务节点继续发送所述轮询请求报文,使得所述其它第二类任务节点在对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果。
步骤S16,输出所述主节点的汇总结果。
在本实施方式中,所述计算机装置包括一显示屏,所述汇总结果显示于所述显示屏上。所述显示屏可以是液晶显示屏(Liquid Crystal Display,LCD)或有机发光二极管(Organic Light-Emitting Diode,OLED)显示屏。当然,在其它实施方式中,所述汇总结果还可通过上述计算机装置的麦克风进行播放。
上述图1详细介绍了本发明的人脸属性识别方法,下面结合第3-4图,对实现所述人脸属性识别方法的软件装置的功能模块以及实现所述人脸属性识别方法的硬件装置架构进行介绍。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
实施例二
图3为本发明人脸属性识别装置较佳实施例的结构图。
在一些实施例中,所述人脸属性识别装置10运行于计算机装置中。所述人脸属性识别装置10可以包括多个由程序代码段所组成的功能模块。所述人脸属性识别装置10中的各个程序段的程序代码可以存储于计算机装置的存储器中,并由所述至少一个处理器所执行,以实现人脸属性识别功能。
本实施例中,所述人脸属性识别装置10根据其所执行的功能,可以被划分为多个功能模块。参阅图3所示,所述功能模块可以包括:构建模块101、分配模块102、提取模块103、返回模块104以及输出模块105。本发明所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段,其存储在存储器中。在本实施例中,关于各模块的功能将在后续的实施例中详述。
所述构建模块101用于构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,所述构建模块101还用于为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性。
其中,所述并行计算模型可以采用随机存取并行机器(Parallel Random AccessMachine,PRAM)模型、整体同步并行计算模型(Bulk Synchronous Parallel ComputingModel,BSP)、LogP模型以及块分布存储(Block Distributed Model,BDM)模型中的其中一种。所述并行计算模型的主节点为待识别的目标图像的输入点以及任务分配节点TaskTrack。所述任务节点为人脸属性的运算点,即任务执行节点JobTrack。所述第一类任务节点用于计算及识别所述目标图像是否包括人脸图像。所述第二类任务节点用于当所述目标图像包括人脸图像时,计算并识别所述人脸图像的人脸属性。
其中,所述人脸属性包括性别、年龄、种族、表情等。所述第二类任务节点的个数可以根据所要计算的人脸属性的个数进行设置,所要计算的人脸属性越多,所述第二类任务节点的个数也就越多。如,所述并行计算模型可包括四个第二类任务节点,所述四个第二类任务节点分别对应的人脸属性为性别、年龄、种族以及表情。
所述分配模块102用于通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像。
其中,用户可通过一终端装置(如手机、平板电脑等)向所述主节点发送存储于所述终端装置的指定目录下的上述目标图像的处理请求。所述主节点在接收到所述处理请求时,通过所述指定目录获取所述目标图像。
在本实施方式中,所述分配模块102在识别所述目标图像中是否包括人脸图像之前,还用于触发所述第一类任务节点对所述目标图像进行预处理以便排除光线等环境因素的干扰。
由于光照的影响,所述目标图像在拍摄过程中存在许多不确定性,如光强、光源方向、色彩等,使得所述目标图像的灰度深浅不均匀,人脸在局部上对比度较大,从而影响最终识别的效果,所以有必要对获取的所述目标图像采用光线调整技术进行光线调整。
进一步地,所述分配模块102触发所述第一类任务节点扫描所述目标图像中是否包含人脸的预设局部特征的信息,当所述图像中包含人脸的预设局部特征的信息时,判断所述目标图像中包括人脸图像。
具体地,所述预设局部特征可为鼻子、眼睛、嘴巴等,当扫描所述目标图像包括所述预设局部特征时,则判断所述目标图像中包括人脸图像。
所述提取模块103用于当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像以实现活体检测识别。所述返回模块104用于向所述主节点返回所述提取模块103所提取的所述人脸图像。
在本实施方式中,所述提取模块103通过所述第一类任务节点判断所述目标图像中包括的人脸图像的数量,当所述目标图像中包括的人脸图像的数量仅为一个时,所述第一类任务节点划定围绕所述人脸图像矩形边界,并根据所述矩形边界提取所述人脸图像;当所述目标图像中包括的人脸图像的数量为至少两个时,所述第一类任务节点分别划定围绕每一人脸图像的矩形边界,计算每一矩形边界所界定的人脸图像的面积,并选择面积最大的其中一矩形边界提取所述人脸图像,然后通过所述第一类任务节点将所提取的人脸图像进行几何特性的归一化处理,从而从所述目标图像中提取所述人脸图像。所述几何特性的归一化处理可以使所述人脸图像归一化到相同的位置、角度和大小。由于人的两眼之间的距离对于大多数人来说是基本相同的,因此,两只眼睛的位置通常被用作人脸图像几何归一化的依据。
具体地,如图2所示,假设人脸图像中两只眼睛的位置分别为El和Er,则所述提取模块103通过下述步骤,可以实现人脸图像的几何归一化:
a)旋转所述人脸图像,以使El和Er的连线保持水平。这保证了人脸方向的一致性,体现了人脸在图像平面内的旋转不变性;
b)根据一定比例裁剪所述人脸图像。例如,设定图中点O为的中点,且经过裁剪,在2d×2d的图像内,可保证点O固定与(0.5d,d)处。这保证了人脸位置的一致性,体现了人脸在图像平面内的平移不变性;
c)将裁剪后的图像缩小和放大处理,得到统一尺寸并符合标准的人脸图像。例如,若规定图像的大小是128×128像素点,也就是使为定长(64个像素),则缩放倍数为β=2d/128。这保证了人脸大小的一致性,体现了人脸在图像平面内的尺度不变性。
所述分配模块102还用于通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果。
在本实施方式中,每一第二类任务节点上运行有深度学习框架(如,TensorFlow框架),所述深度学习框架调用训练好的深度学习分类器模型对所述人脸图像进行计算以识别对应的人脸属性。
以人脸属性为“性别”为例,所述分配模块102获取所述人脸图像的性别特征参数并建立参数模型,调用一人脸性别分类器模型,将所述参数模型与所述人脸性别分类器模型进行对比,从而利用所述深度学习框架对性别进行计算。
其中,所述性别特征参数包括毛发(包括胡子)特征参数、脸部器官参数、轮廓参数以及性征特征参数等。以需要获取胡子特征参数为例,首先对人脸特征点定位,然后进行肤色分割,采用主动形状模型算法定位人脸特征点进而获取下巴区域,然后利用肤色分割算法分离出下巴的非肤色区域,最后在下巴非肤色区域中使用胡子颜色判别法检测得到胡子,从而对胡子的特征进行参数提取。其中,可以根据胡子的颜色的不同对所述人脸图像中的胡子赋予一特征值,例如,根据胡子的颜色或密度赋予一初始值,从而根据预设初始值获取所述胡子特征参数。
在本实施方式中,可以通过局部二进制模式方法(Local Binary Patterns)、神经网络方法和SVM(Support Vector Machine,支持向量机)等方法对人脸图像进行特征提取和分类,从而获得所述性别特征参数。
所述返回模块104还用于向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
例如,当所述第二类任务节点的计算结果分别为:性别为男、年龄为18-20岁、种族为汉族、表情为微笑,则所述主节点经过汇总便可得到所述人脸图像的不同人脸属性的计算结果。
在本实施方式中,所述返回模块104通过所述主节点轮询每一第二类任务节点,并向每一所述第二类任务节点发送一轮询请求报文,使得当接收到所述轮询请求报文且至少一第二类任务节点对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果,所述返回模块104还通过所述主节点定时向未返回计算结果的其它第二类任务节点继续发送所述轮询请求报文,使得所述其它第二类任务节点在对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果。
所述输出模块105用于输出所述主节点的汇总结果。
在本实施方式中,所述计算机装置包括一显示屏,所述汇总结果显示于所述显示屏上。所述显示屏可以是液晶显示屏(Liquid Crystal Display,LCD)或有机发光二极管(Organic Light-Emitting Diode,OLED)显示屏。当然,在其它实施方式中,所述汇总结果还可通过所述计算机装置的麦克风进行播放。
如前所述,本发明实施例中的人脸属性识别装置,通过所述并行计算模型并行计算所述人脸图像的不同人脸属性,有利于提高运算效率;后续所述人脸属性识别方法可导入各种公共场合,例如:车站、地铁、商场、超市,通过获取该些场合的摄像头采集的目标图像,然后进行各项人脸属性的识别,并将识别结果与特定人群(如犯罪人员)的人脸属性的识别结果做比对,从而根据匹配度高效筛选目标人群。
实施例三
图4为本发明计算机装置较佳实施例的示意图。
所述计算机装置1包括存储器20、处理器30以及存储在所述存储器20中并可在所述处理器30上运行的计算机程序40,例如人脸属性识别程序。所述处理器30执行所述计算机程序40时实现上述人脸属性识别方法实施例中的步骤,例如图1所示的步骤S11~S16。或者,所述处理器30执行所述计算机程序40时实现上述人脸属性识别装置实施例中各模块/单元的功能,例如图3中的单元101-105。
示例性的,所述计算机程序40可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器20中,并由所述处理器30执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序40在所述计算机装置1中的执行过程。例如,所述计算机程序40可以被分割成图3中的构建模块101、分配模块102、提取模块103、返回模块104以及输出模块105。各模块具体功能参见实施例二。
所述计算机装置1可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。本领域技术人员可以理解,所述示意图仅仅是计算机装置1的示例,并不构成对计算机装置1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述计算机装置1还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器30也可以是任何常规的处理器等,所述处理器30是所述计算机装置1的控制中心,利用各种接口和线路连接整个计算机装置1的各个部分。
所述存储器20可用于存储所述计算机程序40和/或模块/单元,所述处理器30通过运行或执行存储在所述存储器20内的计算机程序和/或模块/单元,以及调用存储在存储器20内的数据,实现所述计算机装置1的各种功能。所述存储器20可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据计算机装置1的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器20可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在本发明所提供的几个实施例中,应该理解到,所揭露的计算机装置和方法,可以通过其它的方式实现。例如,以上所描述的计算机装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
另外,在本发明各个实施例中的各功能单元可以集成在相同处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在相同单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种人脸属性识别方法,其特征在于,所述人脸属性识别方法包括:
构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性;
通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像;
当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像,并向所述主节点返回所提取的所述人脸图像;
通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果;以及
向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
2.如权利要求1所述的人脸属性识别方法,其特征在于,还包括:
输出所述主节点的汇总结果。
3.如权利要求1所述的人脸属性识别方法,其特征在于,所述识别所述目标图像中是否包括人脸图像包括:
触发所述第一类任务节点扫描所述目标图像中是否包含人脸的预设局部特征的信息;以及
当所述图像中包含人脸的预设局部特征的信息时,判断所述目标图像中包括人脸图像。
4.如权利要求1所述的人脸属性识别方法,其特征在于,所述通过所述第一类任务节点从所述目标图像中提取所述人脸图像包括:
通过所述第一类任务节点判断所述目标图像中包括的人脸图像的数量;
当所述目标图像中包括的人脸图像的数量仅为一个时,通过所述第一类任务节点划定围绕所述人脸图像矩形边界,并根据所述矩形边界提取所述人脸图像;
当所述目标图像中包括的人脸图像的数量为至少两个时,通过所述第一类任务节点分别划定围绕每一人脸图像的矩形边界,计算每一矩形边界所界定的人脸图像的面积,并选择面积最大的其中一矩形边界提取所述人脸图像;以及
通过所述第一类任务节点将所提取的人脸图像进行几何特性的归一化处理,从而使所述人脸图像归一化到相同的位置、角度和大小。
5.如权利要求1所述的人脸属性识别方法,其特征在于,所述向所述主节点返回每一第二类任务节点的人脸属性的计算结果包括:
通过所述主节点轮询每一第二类任务节点,并向每一所述第二类任务节点发送一轮询请求报文,使得当所述第二类任务节点接收到所述轮询请求报文且至少一第二类任务节点对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果;以及
通过所述主节点定时向未返回计算结果的其它第二类任务节点继续发送所述轮询请求报文,使得所述其它第二类任务节点在对所述人脸属性计算完毕时,向所述主节点返回所述第二类任务节点的计算结果。
6.如权利要求1所述的人脸属性识别方法,其特征在于,所述人脸属性包括性别、年龄、种族以及表情。
7.如权利要求1所述的人脸属性识别方法,其特征在于,所述并行计算模型采用随机存取并行机器模型、整体同步并行计算模型、LogP模型以及块分布存储模型中的其中一种。
8.一种人脸属性识别装置,其特征在于,所述装置包括:
构建模块,用于构建一并行计算模型,所述并行计算模型包括一主节点以及与所述主节点连接的多个任务节点,为每一任务节点分配对应的存储空间,其中,所有所述任务节点被划分为一个第一类任务节点以及至少两个第二类任务节点,每一第二类任务节点对应一人脸属性;
分配模块,用于通过所述主节点获取一目标图像,并将所述目标图像分配至所述第一类任务节点对应的存储空间中,触发所述第一类任务节点对所述目标图像进行计算,以识别所述目标图像中是否包括人脸图像;
提取模块,用于当所获取的目标图像中包括人脸图像时,通过所述第一类任务节点从所述目标图像中提取所述人脸图像;以及
返回模块,用于向所述主节点返回所述提取模块所提取的所述人脸图像;
所述分配模块还用于通过所述主节点将所述人脸图像分配至每一第二类任务节点对应的存储空间中,触发所有所述第二类任务节点对所存储的人脸图像的所有人脸属性进行并行计算,从而获得所有人脸属性的计算结果;以及
所述返回模块还用于向所述主节点返回每一第二类任务节点的人脸属性的计算结果,触发所述主节点将所有人脸属性的计算结果进行汇总。
9.一种计算机装置,其特征在于:所述计算机装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-7中任一项所述的人脸属性识别方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的人脸属性识别方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281100.0A CN109522824A (zh) | 2018-10-30 | 2018-10-30 | 人脸属性识别方法、装置、计算机装置及存储介质 |
PCT/CN2019/089662 WO2020087922A1 (zh) | 2018-10-30 | 2019-05-31 | 人脸属性识别方法、装置、计算机装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811281100.0A CN109522824A (zh) | 2018-10-30 | 2018-10-30 | 人脸属性识别方法、装置、计算机装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109522824A true CN109522824A (zh) | 2019-03-26 |
Family
ID=65772696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811281100.0A Pending CN109522824A (zh) | 2018-10-30 | 2018-10-30 | 人脸属性识别方法、装置、计算机装置及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN109522824A (zh) |
WO (1) | WO2020087922A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866466A (zh) * | 2019-10-30 | 2020-03-06 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
WO2020087922A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安科技(深圳)有限公司 | 人脸属性识别方法、装置、计算机装置及存储介质 |
CN113128297A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种设备对接方法、装置、电子设备及存储介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932266B (zh) * | 2020-07-24 | 2023-11-17 | 深圳市富途网络科技有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN112135092B (zh) * | 2020-09-03 | 2023-05-26 | 杭州海康威视数字技术股份有限公司 | 一种图像处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
KR20170135758A (ko) * | 2016-05-30 | 2017-12-08 | 한국과학기술원 | 공간형 증강 현실에서 모델 독립형 얼굴 랜드 마크 인식 장치 |
CN107844781A (zh) * | 2017-11-28 | 2018-03-27 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、电子设备及存储介质 |
CN107862242A (zh) * | 2017-09-19 | 2018-03-30 | 汉柏科技有限公司 | 一种基于Map‑Reduce的海量人脸特征比对方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9405995B2 (en) * | 2008-07-14 | 2016-08-02 | Lockheed Martin Corporation | Method and apparatus for facial identification |
CN103310460A (zh) * | 2013-06-24 | 2013-09-18 | 安科智慧城市技术(中国)有限公司 | 图像特征提取的方法及系统 |
CN109522824A (zh) * | 2018-10-30 | 2019-03-26 | 平安科技(深圳)有限公司 | 人脸属性识别方法、装置、计算机装置及存储介质 |
-
2018
- 2018-10-30 CN CN201811281100.0A patent/CN109522824A/zh active Pending
-
2019
- 2019-05-31 WO PCT/CN2019/089662 patent/WO2020087922A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170135758A (ko) * | 2016-05-30 | 2017-12-08 | 한국과학기술원 | 공간형 증강 현실에서 모델 독립형 얼굴 랜드 마크 인식 장치 |
CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
CN107862242A (zh) * | 2017-09-19 | 2018-03-30 | 汉柏科技有限公司 | 一种基于Map‑Reduce的海量人脸特征比对方法及系统 |
CN107844781A (zh) * | 2017-11-28 | 2018-03-27 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
NANJINGDREAMFLY: "人脸属性识别算法|性别+种族+年龄+表情", pages 1 - 5, Retrieved from the Internet <URL:https://blog.csdn.net/nanjingdreamfly/article/details/61923258> * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020087922A1 (zh) * | 2018-10-30 | 2020-05-07 | 平安科技(深圳)有限公司 | 人脸属性识别方法、装置、计算机装置及存储介质 |
CN110866466A (zh) * | 2019-10-30 | 2020-03-06 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN110866466B (zh) * | 2019-10-30 | 2023-12-26 | 平安科技(深圳)有限公司 | 一种人脸识别方法、装置、存储介质和服务器 |
CN113128297A (zh) * | 2019-12-31 | 2021-07-16 | 深圳云天励飞技术有限公司 | 一种设备对接方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2020087922A1 (zh) | 2020-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522824A (zh) | 人脸属性识别方法、装置、计算机装置及存储介质 | |
CN107633204B (zh) | 人脸遮挡检测方法、装置及存储介质 | |
WO2021077984A1 (zh) | 对象识别方法、装置、电子设备及可读存储介质 | |
González-Briones et al. | A multi-agent system for the classification of gender and age from images | |
CN110728255B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
Valstar et al. | Meta-analysis of the first facial expression recognition challenge | |
CN103839041B (zh) | 客户端特征的识别方法和装置 | |
CN109359548A (zh) | 多人脸识别监控方法及装置、电子设备及存储介质 | |
CN108399665A (zh) | 基于人脸识别的安全监控方法、装置及存储介质 | |
CN109409994A (zh) | 模拟用户穿戴服装饰品的方法、装置和系统 | |
CN110163111A (zh) | 基于人脸识别的叫号方法、装置、电子设备及存储介质 | |
CN109271930A (zh) | 微表情识别方法、装置与存储介质 | |
CN110111136B (zh) | 视频数据处理方法、装置、计算机设备和存储介质 | |
CN110210194A (zh) | 电子合同显示方法、装置、电子设备及存储介质 | |
CN109886739A (zh) | 基于珠宝门店导购管理方法、系统及其存储介质 | |
Mustakim et al. | Face recognition system based on raspberry Pi platform | |
CN113254491A (zh) | 一种信息推荐的方法、装置、计算机设备及存储介质 | |
Song et al. | Mesh saliency via weakly supervised classification-for-saliency CNN | |
CN113793256A (zh) | 基于用户标签的动漫人物生成方法、装置、设备及介质 | |
Abate et al. | Kurtosis and skewness at pixel level as input for SOM networks to iris recognition on mobile devices | |
Özbudak et al. | Effects of the facial and racial features on gender classification | |
Sharma et al. | Sign language gesture recognition | |
CN109753873A (zh) | 图像处理方法及相关装置 | |
Xie et al. | Elastic shape-texture matching for human face recognition | |
CN110795995A (zh) | 数据处理方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |