CN110110693A - 用于识别人脸属性的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于识别人脸属性的方法和装置。该方法的一具体实施方式包括：将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；对目标人脸图像进行特征提取，得到图像特征信息；对图像特征信息进行解析，确定人脸属性信息。该实施方式通过在进行人脸属性识别之前获取姿态经转正后的目标人脸图像，而后基于该目标人脸图像进行人脸属性识别，可以提高人脸属性识别结果的稳定性。

Description

用于识别人脸属性的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于识别人脸属性的方法和装置。

背景技术

人脸识别作为一项互联网领域热门的技术，在互联网产品很多领域都有着广泛的应用。其中，人脸识别的技术包括人脸属性识别。人脸属性例如可以包括但不限于年龄、性别、种族等等。

现有的人脸属性识别技术一般是对识别出的人脸图像区域进行人脸属性识别。

发明内容

本公开的实施例提出了用于识别人脸属性的方法和装置。

第一方面，本公开的实施例提供了一种用于识别人脸属性的方法，包括：将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；对目标人脸图像进行特征提取，得到图像特征信息；对图像特征信息进行解析，确定人脸属性信息。

在一些实施例中，姿态转正模型通过以下步骤训练得到：获取训练样本集合，其中，每个训练样本包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；将训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到姿态转正模型。

在一些实施例中，对目标人脸图像进行特征提取，得到图像特征信息，包括：将目标人脸图像输入预先训练的图像特征提取模型，得到图像特征信息。

在一些实施例中，对图像特征信息进行解析，确定人脸属性信息，包括：将图像特征信息输入预先训练的人脸属性识别模型，得到人脸属性信息。

在一些实施例中，图像特征提取模型和人脸属性识别模型归属于同一卷积神经网络。

在一些实施例中，上述方法还包括：输出人脸属性信息。

第二方面，本公开的实施例提供了一种用于识别人脸属性的装置，该装置包括：获取单元，被配置成将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；提取单元，被配置成对目标人脸图像进行特征提取，得到图像特征信息；确定单元，被配置成对图像特征信息进行解析，确定人脸属性信息。

在一些实施例中，姿态转正模型通过以下步骤训练得到：获取训练样本集合，其中，每个训练样本包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；将训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到姿态转正模型。

在一些实施例中，提取单元进一步被配置成：将目标人脸图像输入预先训练的图像特征提取模型，得到图像特征信息。

在一些实施例中，确定单元进一步被配置成：将图像特征信息输入预先训练的人脸属性识别模型，得到人脸属性信息。

在一些实施例中，图像特征提取模型和人脸属性识别模型归属于同一卷积神经网络。

在一些实施例中，上述装置还包括：输出单元，被配置成输出人脸属性信息。

第三方面，本公开的实施例提供了一种电子设备，该电子设备包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当该一个或多个程序被该一个或多个处理器执行，使得该一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述实施例提供的用于识别人脸属性的方法和装置，通过将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像，而后对目标人脸图像进行特征提取，得到图像特征信息，然后对图像特征信息进行解析，以便确定人脸属性信息。实际上，一个人的各种姿态会对人脸属性识别结果的稳定性产生一定的影响。本公开的上述实施例提供的方案，通过在进行人脸属性识别之前获取姿态经转正后的目标人脸图像，而后基于该目标人脸图像进行人脸属性识别，相较于现有的对识别出的人脸图像区域进行人脸属性识别的方法，可以提高人脸属性识别结果的稳定性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于识别人脸属性的方法的一个实施例的流程图；

图3是根据本公开的用于识别人脸属性的方法的一个应用场景的示意图；

图4是根据本公开的用于识别人脸属性的方法的又一个实施例的流程图；

图5是根据本公开的用于识别人脸属性的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的一些实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关公开，而非对该公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关公开相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于识别人脸属性的方法或用于识别人脸属性的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、人脸属性识别类应用等等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的人脸属性识别类应用提供支持的后台服务器，该后台服务器例如可以响应于终端设备101、102、103发送的人脸属性识别请求，基于该请求进行相应的信息处理。

需要说明的是，本公开的一些实施例提供的用于识别人脸属性的方法一般由服务器105执行。相应地，用于识别人脸属性的装置一般设置于服务器105中。

需要指出的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的用于识别人脸属性的方法的一个实施例的流程200。该用于识别人脸属性的方法的流程200，包括以下步骤：

步骤201，将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像。

在本实施例中，用于识别人脸属性的方法的执行主体可以是服务器(例如图1所示的服务器105)。上述执行主体例如可以响应于用户通过终端设备(例如图1所示的终端设备101、102、103)发送的包括待检测人脸图像的人脸属性识别请求，将该待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像。

其中，姿态转正模型例如可以是上述执行主体或上述执行主体所连接的服务器通过以下步骤训练得到：获取训练样本集合，其中，每个训练样本包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；将训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到姿态转正模型。具体地，姿态转正模型例如可以是基于上述训练样本集合，对未经训练或未训练完成的卷积神经网络(Convolutional Neural Network，CNN)进行训练得到的。

需要说明的是，处于正姿态的第一人脸图像可称为正脸图像，处于非正姿态的第二人脸图像可称为侧脸图像，在此不做具体限定。

步骤202，对目标人脸图像进行特征提取，得到图像特征信息。

在本实施例中，上述执行主体在获取到目标人脸图像后，可以对目标人脸图像进行特征提取，得到图像特征信息。此处，图像特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、线条、纹理等)。

需要说明的是，上述执行主体例如可以采用各种人脸图像特征提取算法，对目标人脸图像进行特征提取。该各种人脸图像特征提取算法例如可以包括但不限于LBP(LocalBinary Patterns，局部二值模式)特征提取算法、基于Gabor滤波器的人脸特征提取算法、方向梯度直方图(Histogram of Oriented Gradient，HOG)特征提取算法等等。

步骤203，对图像特征信息进行解析，确定人脸属性信息。

在本实施例中，上述执行主体可以对提取出的图像特征信息进行解析，确定人脸属性信息。其中，该人脸属性信息可以包括与预设的人脸属性(例如年龄、性别、种族等)对应的属性值。应该理解，预设的人脸属性是可以根据实际需要设置的，在此不做具体限定。

作为示例，上述执行主体本地或上述执行主体所连接的服务器中可以预先存储有对应关系表，该对应关系表可以包括大量的图像特征信息和与该图像特征信息对应的人脸属性信息。上述执行主体可以在该对应关系表中查找与所提取的图像特征信息匹配的目标图像特征信息，并将该目标图像特征信息所对应的人脸属性信息确定为识别出的人脸属性信息。

在本实施例的一些可选的实现方式中，上述执行主体还可以输出所确定的人脸属性信息。例如，将该人脸属性信息发送至上述终端设备，以使上述终端设备展示该人脸属性信息。

继续参见图3，图3是根据本实施例的用于识别人脸属性的方法的应用场景的一个示意图。在图3的应用场景中，用户A的智能手机上可以安装有服务器所支持的人脸属性识别类应用。人脸属性识别类应用所对应的预设的人脸属性例如可以包括性别、年龄、种族。此外，服务器上可以运行有预先训练的姿态转正模型。用户A可以在人脸属性识别类应用中选择待检测的人脸图像B，而后执行相应的触发操作，以使上述智能手机向上述服务器发送包括人脸图像B的人脸属性识别请求。上述服务器可以响应于该请求，将人脸图像B输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像。而后，上述服务器可以对该目标人脸图像进行特征提取，得到图像特征信息。然后，上述服务器可以对该图像特征信息进行解析，以识别出与目标人脸图像对应的性别、年龄和种族。此后，上述服务器还可以将包括识别出的性别、年龄和种族的人脸属性信息发送至上述智能手机，以使上述智能手机向用户A展示该人脸属性信息。

本公开的上述实施例提供的方法，通过将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像，而后对目标人脸图像进行特征提取，得到图像特征信息，然后对图像特征信息进行解析，以便确定人脸属性信息。本公开的上述实施例提供的方案，通过在进行人脸属性识别之前获取姿态经转正后的目标人脸图像，而后基于该目标人脸图像进行人脸属性识别，可以提高人脸属性识别结果的稳定性。

进一步参考图4，其示出了用于识别人脸属性的方法的又一个实施例的流程400。该用于识别人脸属性的方法的流程400，包括以下步骤：

步骤401，将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像。

在本实施例中，用于识别人脸属性的方法的执行主体可以是服务器(例如图1所示的服务器105)。上述执行主体例如可以响应于用户通过终端设备(例如图1所示的终端设备101、102、103)发送的包括待检测人脸图像的人脸属性识别请求，将该待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像。其中，待检测人脸图像例如可以是用户在触发该人脸属性识别请求时所选择的人脸图像或人脸视频中的人脸图像。这里，对于姿态转正模型的解释说明，可参看图2所示实施例中的相关说明，在此不再赘述。

步骤402，将目标人脸图像输入预先训练的图像特征提取模型，得到图像特征信息。

在本实施例中，上述执行主体在得到目标人脸图像后，可以将目标人脸图像输入预先训练的图像特征提取模型，得到图像特征信息。

实践中，上述执行主体本地可以运行有上述图像特征提取模型。上述图像特征提取模型可以用于对人脸图像进行特征提取。其中，上述图像特征提取模型可以是一个独立的机器学习模型，也可以是归属于与人脸属性识别有关的神经网络(例如卷积神经网络)的子网络。该子网络例如可以是该神经网络中的特征提取层。

步骤403，将图像特征信息输入预先训练的人脸属性识别模型，得到人脸属性信息。

在本实施例中，上述执行主体可以将所得的图像特征信息输入预先训练的人脸属性识别模型，得到人脸属性信息。

实践中，上述执行主体本地还可以运行有上述人脸属性识别模型。上述人脸属性识别模型可以用于基于输入的图像特征信息进行人脸属性识别。其中，上述人脸属性识别模型可以是一个独立的机器学习模型，也可以是归属于上述神经网络的子网络。该子网络例如可以是上述神经网络中的用于进行人脸属性识别的层。可选地，上述图像特征提取模型和上述人脸属性识别模型例如可以归属于同一卷积神经网络。

步骤404，输出人脸属性信息。

在本实施例中，上述执行主体在得到人脸属性信息后，可以输出人脸属性信息。例如，将人脸属性信息发送至上述终端设备，以使上述终端设备展示该人脸属性信息。

从图4中可以看出，与图2对应的实施例相比，本实施例中的用于识别人脸属性的方法的流程400突出了对图像特征的提取方法以及人脸属性信息的确定方法进行扩展的步骤，以及输出人脸属性信息的步骤。由此，本实施例描述的方案可以实现信息处理的多样性，并且可以提高人脸属性识别效率，以及提高识别出的人脸属性信息的准确度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于识别人脸属性的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于识别人脸属性的装置500可以包括：获取单元501被配置成将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；提取单元502被配置成对目标人脸图像进行特征提取，得到图像特征信息；确定单元503被配置成对图像特征信息进行解析，确定人脸属性信息。

在本实施例中，用于识别人脸属性的装置500中：获取单元501、提取单元502和确定单元503的具体处理及其所带来的技术效果可分别参考图2所示的实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，姿态转正模型可以通过以下步骤训练得到：获取训练样本集合，其中，每个训练样本可以包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；将训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到姿态转正模型。

在本实施例的一些可选的实现方式中，提取单元502可以进一步被配置成：将目标人脸图像输入预先训练的图像特征提取模型，得到图像特征信息。

在本实施例的一些可选的实现方式中，确定单元503可以进一步被配置成：将图像特征信息输入预先训练的人脸属性识别模型，得到人脸属性信息。

在本实施例的一些可选的实现方式中，图像特征提取模型和人脸属性识别模型可以归属于同一卷积神经网络。

在本实施例的一些可选的实现方式中，上述装置500还可以包括：输出单元(图中未示出)，被配置成输出人脸属性信息。

本公开的上述实施例提供的装置，通过将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像，而后对目标人脸图像进行特征提取，得到图像特征信息，然后对图像特征信息进行解析，以便确定人脸属性信息。本公开的上述实施例提供的方案，通过在进行人脸属性识别之前获取姿态经转正后的目标人脸图像，而后基于该目标人脸图像进行人脸属性识别，可以提高人脸属性识别结果的稳定性。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器105)600的结构示意图。本公开的实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；对目标人脸图像进行特征提取，得到图像特征信息；对图像特征信息进行解析，确定人脸属性信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取姿态经转正后的目标人脸图像的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (14)

1.一种用于识别人脸属性的方法，包括：

将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；

对所述目标人脸图像进行特征提取，得到图像特征信息；

对所述图像特征信息进行解析，确定人脸属性信息。

2.根据权利要求1所述的方法，其中，所述姿态转正模型通过以下步骤训练得到：

获取训练样本集合，其中，每个训练样本包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；

将所述训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到所述姿态转正模型。

3.根据权利要求1-2之一所述的方法，其中，所述对所述目标人脸图像进行特征提取，得到图像特征信息，包括：

将所述目标人脸图像输入预先训练的图像特征提取模型，得到所述图像特征信息。

4.根据权利要求3所述的方法，其中，所述对所述图像特征信息进行解析，确定人脸属性信息，包括：

将所述图像特征信息输入预先训练的人脸属性识别模型，得到所述人脸属性信息。

5.根据权利要求4所述的方法，其中，所述图像特征提取模型和所述人脸属性识别模型归属于同一卷积神经网络。

6.根据权利要求1-2、4-5之一所述的方法，其中，所述方法还包括：

输出所述人脸属性信息。

7.一种用于识别人脸属性的装置，包括：

获取单元，被配置成将待检测人脸图像输入预先训练的姿态转正模型，得到姿态经转正后的目标人脸图像；

提取单元，被配置成对所述目标人脸图像进行特征提取，得到图像特征信息；

确定单元，被配置成对所述图像特征信息进行解析，确定人脸属性信息。

8.根据权利要求7所述的装置，其中，所述姿态转正模型通过以下步骤训练得到：

获取训练样本集合，其中，每个训练样本包括样本用户的处于正姿态的第一人脸图像和处于非正姿态的第二人脸图像；

将所述训练样本集合中的训练样本所包括的第二人脸图像作为输入，将与输入的第二人脸图像对应的第一人脸图像作为输出，训练得到所述姿态转正模型。

9.根据权利要求7-8之一所述的装置，其中，所述提取单元进一步被配置成：

将所述目标人脸图像输入预先训练的图像特征提取模型，得到所述图像特征信息。

10.根据权利要求9所述的装置，其中，所述确定单元进一步被配置成：

将所述图像特征信息输入预先训练的人脸属性识别模型，得到所述人脸属性信息。

11.根据权利要求10所述的装置，其中，所述图像特征提取模型和所述人脸属性识别模型归属于同一卷积神经网络。

12.根据权利要求7-8、10-11之一所述的装置，其中，所述装置还包括：

输出单元，被配置成输出所述人脸属性信息。

13.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。

14.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-6中任一所述的方法。