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。
目前,用户有人脸属性识别需求时,可以使用终端设备上的摄像头采集目标人物的人脸视频信息。现有的人脸属性识别方法,通常可以对该人脸视频信息中的每帧人脸图像进行人脸属性识别,确定与该人脸图像对应的人脸识别结果。其中,该人脸识别结果用于向用户展示。
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,该方法包括:获取目标人物的人脸视频片段;从人脸视频片段中提取出人脸图像集合;对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息;基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度;若置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果。
在一些实施例中,从人脸视频片段中提取出人脸图像集合,包括:对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。
在一些实施例中,对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,包括:对于人脸图像集合中的每张人脸图像,将该人脸图像输入多个识别模型,得到与该人脸图像对应的多种信息,该多个识别模型包括用于进行人脸属性识别的第一识别模型和用于进行关联信息识别的第二识别模型,该多种信息包括该人脸图像对应的人脸属性信息和关联信息。
在一些实施例中,基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度,包括:对于人脸图像集合中的每张人脸图像,基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值;基于所确定的权重值,从人脸图像集合中选取出多张人脸图像;基于上述多张人脸图像分别对应的人脸属性信息和权重值,确定置信度。
在一些实施例中,关联信息包括三维姿态信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值;以及基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值,包括:确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在一些实施例中,关联信息包括三维姿态信息和质量信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值,质量信息包括模糊程度值;基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值,包括:确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值以及所对应的模糊程度值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在一些实施例中,基于所确定的权重值,从人脸图像集合中选取出多张人脸图像,包括:若人脸图像集合中的人脸图像的数量超出第二预设值,从人脸图像集合中选取出所对应的权重值最大的前第二预设值张人脸图像。
在一些实施例中,基于所确定的权重值,从人脸图像集合中选取出多张人脸图像,还包括:若人脸图像集合中的人脸图像的数量未超出第二预设值,从人脸图像集合中选取出所有人脸图像。
在一些实施例中,人脸属性信息包括目标数值,目标数值为以下任一项:与预设人脸属性对应的属性值、与预设人脸属性下的属性值对应的概率值;基于上述多张人脸图像分别对应的人脸属性信息和权重值,确定置信度,包括:
采用以下公式计算置信度:
其中,C代表置信度;n为上述多张人脸图像的数量;i为处于[1,n]内的自然数;W代表权重值,Wi代表上述多张人脸图像中的第i张人脸图像对应的权重值,Wn代表上述多张人脸图像中的第n张人脸图像对应的权重值;V代表人脸属性信息中的目标数值,Vi代表上述多张人脸图像中的第i张人脸图像对应的人脸属性信息中的目标数值。
在一些实施例中,基于所确定的人脸属性信息,确定人脸属性识别结果,包括:基于上述多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果。
在一些实施例中,基于上述多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果,包括:将上述多张人脸图像中的、在人脸视频片段中排列位置最靠后的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。
在一些实施例中,上述方法还包括:若置信度未超出置信度阈值,转去执行获取目标人物的人脸视频片段,以继续基于获取到的目标人物的人脸视频片段执行相应的人脸属性识别操作。
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,被配置成获取目标人物的人脸视频片段;提取单元,被配置成从人脸视频片段中提取出人脸图像集合;第一确定单元,被配置成对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息;第二确定单元,被配置成基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度;第三确定单元,被配置成若置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果。
在一些实施例中,提取单元进一步被配置成:对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。
在一些实施例中,第一确定单元进一步被配置成:对于人脸图像集合中的每张人脸图像,将该人脸图像输入多个识别模型,得到与该人脸图像对应的多种信息,该多个识别模型包括用于进行人脸属性识别的第一识别模型和用于进行关联信息识别的第二识别模型,该多种信息包括该人脸图像对应的人脸属性信息和关联信息。
在一些实施例中,第二确定单元包括:第一确定子单元,被配置成对于人脸图像集合中的每张人脸图像,基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值;选取子单元,被配置成基于所确定的权重值,从人脸图像集合中选取出多张人脸图像;第二确定子单元,被配置成基于上述多张人脸图像分别对应的人脸属性信息和权重值,确定置信度。
在一些实施例中,关联信息包括三维姿态信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值;以及第一确定子单元进一步被配置成:对于人脸图像集合中的每张人脸图像,确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在一些实施例中,关联信息包括三维姿态信息和质量信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值,质量信息包括模糊程度值;以及第一确定子单元进一步被配置成:对于人脸图像集合中的每张人脸图像,确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值以及所对应的模糊程度值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在一些实施例中,选取子单元进一步被配置成:若人脸图像集合中的人脸图像的数量超出第二预设值,从人脸图像集合中选取出所对应的权重值最大的前第二预设值张人脸图像。
在一些实施例中,选取子单元还进一步被配置成:若人脸图像集合中的人脸图像的数量未超出第二预设值,从人脸图像集合中选取出所有人脸图像。
在一些实施例中,人脸属性信息包括目标数值,目标数值为以下任一项:与预设人脸属性对应的属性值、与预设人脸属性下的属性值对应的概率值;以及第二确定子单元进一步被配置成:
采用以下公式计算置信度:
其中,C代表置信度;n为上述多张人脸图像的数量;i为处于[1,n]内的自然数;W代表权重值,Wi代表上述多张人脸图像中的第i张人脸图像对应的权重值,Wn代表上述多张人脸图像中的第n张人脸图像对应的权重值;V代表人脸属性信息中的目标数值,Vi代表上述多张人脸图像中的第i张人脸图像对应的人脸属性信息中的目标数值。
在一些实施例中,第三确定单元包括:第三确定子单元,被配置成基于上述多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果。
在一些实施例中,第三确定子单元进一步被配置成:将上述多张人脸图像中的、在人脸视频片段中排列位置最靠后的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。
在一些实施例中,获取单元进一步被配置成:响应于置信度未超出置信度阈值,继续获取目标人物的人脸视频片段。
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,通过获取目标人物的人脸视频片段,而后从人脸视频片段中提取出人脸图像集合,接着对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息,然后基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度,以便在确定该置信度超出置信度阈值时,基于所确定的人脸属性信息,确定人脸属性识别结果。在本公开的上述实施例提供的方案中,当所确定的置信度超出置信度阈值时,可以表征所确定的人脸属性信息具有较高的准确度。另外,通过响应于确定该置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果,便可以不对目标人物的其他人脸视频片段进行人脸属性识别操作,可以有效地节约检测时间。故而,本公开的上述实施例提供的方案可以在节约检测时间的情况下获得具有较高准确度的人脸属性识别结果。
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从终端设备101、102、103获取目标人物的人脸视频片段,并基于该人脸视频片段进行相应人脸属性识别操作。
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,获取目标人物的人脸视频片段。
在本实施例中,用于识别人脸属性的方法的执行主体(例如图1所示的服务器105)例如可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取目标人物的人脸视频片段。
其中,终端设备上可以安装有上述执行主体所支持的人脸属性识别类应用。此外,终端设备可以包括摄像头。实践中,用户想要对目标人物进行人脸属性识别时,可以使用人脸属性识别类应用调起摄像头,并利用摄像头对该目标人物进行人脸视频信息采集。其中,在摄像头采集目标人物的人脸视频信息的过程中,终端设备可以从摄像头获取目标人物的人脸视频片段,并将该人脸视频片段发送至上述执行主体。其中,该人脸视频片段中的每帧图像显示有目标人物的面部。
步骤202,从人脸视频片段中提取出人脸图像集合。
在本实施例中,上述执行主体在获取到目标人物的人脸视频片段后,可以从人脸视频片段中提取出人脸图像集合。例如,上述执行主体可以将人脸视频片段中的每帧图像作为人脸图像组成人脸图像集合。可选地,为了减少计算量以及节约检测时间,上述执行主体可以对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。其中,间隔的帧数可以是一帧或多帧,在此不做具体限定。
步骤203,对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息。
在本实施例中,上述执行主体在提取出人脸图像集合后,可以对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息。其中,三维姿态信息可以包括俯仰角度值、偏航角度值和翻滚角度值。俯仰角度值可以是俯仰角(pitch)的角度值。偏航角度值可以是偏航角(yaw)的角度值。翻滚角度值可以是翻滚角(roll)的角度值。质量信息可以包括模糊程度值。模糊程度值例如可以是处于[0,100]内的数值。模糊程度值越大,可以表征其所对应的人脸图像越模糊。模糊程度值越低,可以表征其所对应的人脸图像越清晰。
这里,上述人脸属性识别类应用可以关联预设人脸属性。人脸属性例如可以包括但不限于性别、年龄、种族等等。上述执行主体本地可以存储有与该预设人脸属性对应的人脸属性模板。其中,该人脸属性模板例如可以包括多张人脸图像和该多张人脸图像分别对应的人脸属性信息。将人脸图像集合中的每张人脸图像作为待识别人脸图像,上述执行主体可以将该待识别人脸图像与人脸属性模板中的人脸图像进行匹配,并将匹配出的人脸图像所对应的人脸属性信息确定为与该待识别人脸图像对应的人脸属性信息。
其中,人脸属性信息可以包括目标数值。该目标数值可以为以下任一项:上述预设人脸属性的属性值、与上述预设人脸属性的属性值对应的概率值。其中,该概率值可以表征该人脸属性信息所对应的人脸图像所归属的人物属于该属性值的概率。假设上述预设人脸属性包括年龄,与年龄有关的人脸属性信息中的目标数值为年龄值。假设上述预设人脸属性包括性别,性别属性的属性值包括男性和女性,与性别有关的人脸属性信息中的目标数值为与男性或女性对应的概率值。
在本实施例中,上述执行主体本地还可以存储有姿态模板。姿态模板例如可以包括多张人脸图像和与该多张人脸图像分别对应的姿态信息。将人脸图像集合中的每张人脸图像作为待识别人脸图像,上述执行主体可以将该待识别人脸图像与姿态模板中的人脸图像进行姿态匹配,并将匹配出的人脸图像所对应的姿态信息确定为与该待识别人脸图像对应的姿态信息。
对于人脸图像集合中的每张人脸图像,上述执行可以采用各种图像质量评估算法,例如平均绝对差值(Mean Absolute Difference,MAD)、绝对误差和(Sum of AbsoluteDifference,SAD)、差值平方和(Sum of Squared Difference,SSD)等等,对该人脸图像进行质量评估,得到与该人脸图像对应的质量信息。
在本实施例的一些可选的实现方式中,对于人脸图像集合中的每张人脸图像,上述执行主体可以将该人脸图像输入多个识别模型,得到与该人脸图像对应的多种信息。该多个识别模型包括用于进行人脸属性识别的第一识别模型和用于进行关联信息识别的第二识别模型。该多种信息包括该人脸图像对应的人脸属性信息和关联信息。这里,第一识别模型的数量以及第二识别模型的数量可以是1个或多个,在此不做具体限定。
需要指出的是,识别模型可以是使用卷积神经网络(Convolutional NeuralNetworks,CNN)或循环神经网络(Recurrent Neural Network,RNN)等模型进行训练得到的。
步骤204,基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度。
在本实施例中,上述执行主体可以基于在步骤203中确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度。
作为示例,上述执行主体例如可以采用以下步骤确定与人脸属性信息有关的置信度:
步骤2041,对于人脸图像集合中的每张人脸图像,基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值。
例如,若关联信息包括质量信息,质量信息包括模糊程度值,对于人脸图像集合中的每张人脸图像,上述执行主体可以将第一预设值(例如1)与该人脸图像所对应的模糊程度值之间的比值确定为该人脸图像所对应的权重值。可选地,若关联信息包括三维姿态信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值,对于人脸图像集合中的每张人脸图像,上述执行主体可以确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值之间的总和,并将第一预设值与该总和之间的比值确定为该人脸图像所对应的权重值。
步骤2042,基于所确定的权重值,从人脸图像集合中选取出多张人脸图像。
例如,若人脸图像集合中的人脸图像的数量超出第二预设值,上述执行主体可以从人脸图像集合中选取出所对应的权重值最大的前第二预设值张人脸图像。可选地,若人脸图像集合中的人脸图像的数量未超出第二预设值,上述执行主体可以从人脸图像集合中选取出所有人脸图像。
其中,第二预设值例如可以是预设的优先队列的长度。上述执行主体在选取出多张人脸图像后,可以将该多张人脸图像所对应的人脸属性信息及关联信息写入该优先队列。
步骤2043,基于选取出的多张人脸图像分别对应的人脸属性信息和权重值,确定与人脸属性信息有关的置信度。
例如,上述执行主体可以采用以下公式计算置信度:
其中,C代表置信度;n为该多张人脸图像的数量;i为处于[1,n]内的自然数;W代表权重值,Wi代表该多张人脸图像中的第i张人脸图像对应的权重值,Wn代表该多张人脸图像中的第n张人脸图像对应的权重值;V代表人脸属性信息中的目标数值,Vi代表该多张人脸图像中的第i张人脸图像对应的人脸属性信息中的目标数值。
在本实施例的一些可选的实现方式中,上述执行主体也可以采用以下方式以基于所确定的人脸属性信息和关联信息确定与人脸属性信息有关的置信度:对于人脸图像集合中的每张人脸图像,基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值;基于该人脸图像集合中的各张人脸图像分别对应的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度。
步骤205,若置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果。
在本实施例中,若在步骤204中确定的置信度超出置信度阈值,上述执行主体可以基于所确定的人脸属性信息,确定人脸属性识别结果。
这里,上述执行主体可以采用各种方法确定人脸属性识别结果。例如,上述执行主体可以将人脸图像集合中的对应最大权重值的人脸图像所对应的人脸属性信息确定为最终的人脸属性识别结果。
可选地,上述执行主体也可以基于在步骤2042中从人脸图像集合中选取出的多张人脸图像分别对应的人脸属性信息确定人脸属性识别结果。例如,上述执行主体可以将该多张人脸图像中的、在人脸视频片段中排列位置最靠后的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。或者,上述执行主体可以对该多张人脸图像分别对应的人脸属性信息中的每种人脸属性信息进行统计分析,基于统计分析结果,确定与该种人脸属性信息对应的人脸属性识别结果。例如,当对该种人脸属性信息进行频次统计时,可以将该种人脸属性信息中的出现频次最高的人脸属性信息确定为与该种人脸属性信息对应的人脸属性识别结果。
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的终端设备上可以安装有服务器所支持的人脸属性识别类应用,并且终端设备可以包括摄像头。此外,人脸属性识别类应用所关联的预设人脸属性可以包括年龄。当用户A想要了解人物B的年龄时,可以使用人脸属性识别类应用调起摄像头,利用摄像头采集人物B的人脸视频信息。终端设备可以从摄像头获取人物B的人脸视频片段,并将人脸视频片段发送至服务器,其中,人脸视频片段中的每帧图像显示有人物B的面部。服务器可以按照预设的间隔帧数(例如1),对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。而后,服务器可以对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的年龄信息和三维姿态信息。之后,服务器可以基于所确定的年龄信息和三维姿态信息,确定与年龄信息有关的置信度。然后,若置信度超出置信度阈值,服务器可以基于所确定的年龄信息,确定最终的年龄识别结果。此后,服务器可以将该年龄识别结果返回给终端设备,以使终端设备向用户A展示该年龄识别结果。另外,终端设备在接收到该年龄识别结果后,可以不用将摄像头在上述人脸视频片段之后采集到的人脸视频信息发送至服务器。
本公开的上述实施例提供的方法,通过获取目标人物的人脸视频片段,而后从人脸视频片段中提取出人脸图像集合,接着对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息,然后基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度,以便在确定该置信度超出置信度阈值时,基于所确定的人脸属性信息,确定人脸属性识别结果。本公开的上述实施例提供的方案可以在节约检测时间的情况下获得具有较高准确度的人脸属性识别结果。
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,获取目标人物的人脸视频片段。
在本实施例中,用于识别人脸属性的方法的执行主体(例如图1所示的服务器105)例如可以通过有线连接方式或者无线连接方式从终端设备(例如图1所示的终端设备101、102、103)获取目标人物的人脸视频片段。
其中,终端设备上可以安装有上述执行主体所支持的人脸属性识别类应用。此外,终端设备可以包括摄像头。实践中,用户想要对目标人物进行人脸属性识别时,可以使用人脸属性识别类应用调起摄像头,并利用摄像头对该目标人物进行人脸视频信息采集。其中,在摄像头采集目标人物的人脸视频信息的过程中,终端设备可以从摄像头获取目标人物的人脸视频片段,并将该人脸视频片段发送至上述执行主体。其中,该人脸视频片段中的每帧图像显示有目标人物的面部。
步骤402,对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。
在本实施例中,上述执行主体在获取到目标人物的人脸视频片段后,为了有效地节约检测时间以及减少计算量,上述执行主体可以对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。其中,间隔的帧数可以是一帧或多帧,在此不做具体限定。
步骤403,对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括三维姿态信息和质量信息,三维姿态信息包括俯仰角度值、偏航角度值和翻滚角度值,质量信息包括模糊程度值。
在本实施例中,上述执行主体在获得人脸图像集合后,可以对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息。关联信息可以包括三维姿态信息和质量信息。三维姿态信息可以包括俯仰角度值、偏航角度值和翻滚角度值。质量信息可以包括模糊程度值。这里,针对步骤403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404,对于人脸图像集合中的每张人脸图像,确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值以及所对应的模糊程度值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在本实施例中,对于人脸图像集合中的每张人脸图像,上述执行主体可以确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值以及所对应的模糊程度值之间的总和,并将第一预设值(例如1)与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
步骤405,基于所确定的权重值,从人脸图像集合中选取出多张人脸图像。
在本实施例中,上述执行主体可以基于所确定的权重值,从人脸图像集合中选取出多张人脸图像。例如,若人脸图像集合中的人脸图像的数量超出第二预设值,上述执行主体可以从人脸图像集合中选取出所对应的权重值最大的前第二预设值张人脸图像。若人脸图像集合中的人脸图像的数量未超出第二预设值,上述执行主体可以从人脸图像集合中选取出所有人脸图像。其中,第二预设值例如可以是预设的优先队列的长度。上述执行主体在选取出多张人脸图像后,可以将该多张人脸图像所对应的人脸属性信息及关联信息写入该优先队列。
步骤406,基于多张人脸图像分别对应的人脸属性信息和权重值,确定与人脸属性信息有关的置信度。
在本实施例中,上述执行主体可以基于上述多张人脸图像分别对应的人脸属性信息和权重值,确定与人脸属性信息有关的置信度。针对步骤406的解释说明,可参看图2所示实施例中的步骤2043的相关说明,在此不再赘述。
步骤407,确定置信度是否超出置信度阈值。
在本实施例中,上述执行主体可以将在步骤406中确定的置信度与置信度阈值进行比较。若置信度超出置信度阈值,上述执行主体可以执行步骤408。若置信度未超出置信度阈值,上述执行主体可以转去执行步骤401,以继续基于目标人物的新的人脸视频片段进行相应的人脸属性识别操作。
步骤408,若置信度超出置信度阈值,基于多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果。
在本实施例中,若置信度超出置信度阈值,上述执行主体可以基于上述多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果。例如,上述执行主体可以将上述多张人脸图像中的对应最大权重值的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。或者,上述执行主体可以将上述多张人脸图像中的、在人脸视频片段中排列位置最靠后的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。再或者,上述执行主体可以对上述多张人脸图像分别对应的人脸属性信息中的每种人脸属性信息进行统计分析,基于统计分析结果,确定与该种人脸属性信息对应的人脸属性识别结果。例如,当对该种人脸属性信息进行频次统计时,可以将该种人脸属性信息中的出现频次最高的人脸属性信息确定为与该种人脸属性信息对应的人脸属性识别结果。
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突出了对人脸图像集合提取方法进行扩展的步骤,对置信度的确定方法进行扩展的步骤,对人脸属性识别结果的确定方法进行扩展的步骤,以及在确定置信度未超出置信度阈值时,转去执行获取目标人物的人脸视频片段的步骤。由此,本实施例描述的方案可以实现信息处理的多样性,并且可以进一步节约检测时间,以及确保人脸属性识别结果具有较高的准确度。
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被配置成获取目标人物的人脸视频片段;提取单元502被配置成从人脸视频片段中提取出人脸图像集合;第一确定单元503被配置成对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息可以包括以下至少一项:三维姿态信息、质量信息;第二确定单元504被配置成基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度;第三确定单元505被配置成若置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果。
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、第一确定单元503、第二确定单元504第三确定单元505和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、步骤203、步骤204和步骤205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,提取单元502可以进一步被配置成:对人脸视频片段进行间隔抽帧,并将抽取出的图像作为人脸图像组成人脸图像集合。
在本实施例的一些可选的实现方式中,第一确定单元503可以进一步被配置成:对于人脸图像集合中的每张人脸图像,将该人脸图像输入多个识别模型,得到与该人脸图像对应的多种信息,该多个识别模型可以包括用于进行人脸属性识别的第一识别模型和用于进行关联信息识别的第二识别模型,该多种信息可以包括该人脸图像对应的人脸属性信息和关联信息。
在本实施例的一些可选的实现方式中,第二确定单元504可以包括:第一确定子单元(图中未示出),被配置成对于人脸图像集合中的每张人脸图像,基于该人脸图像所对应的关联信息,确定与该人脸图像对应的权重值;选取子单元(图中未示出),被配置成基于所确定的权重值,从人脸图像集合中选取出多张人脸图像;第二确定子单元(图中未示出),被配置成基于上述多张人脸图像分别对应的人脸属性信息和权重值,确定置信度。
在本实施例的一些可选的实现方式中,关联信息可以包括三维姿态信息,三维姿态信息可以包括俯仰角度值、偏航角度值和翻滚角度值;以及第一确定子单元可以进一步被配置成:对于人脸图像集合中的每张人脸图像,确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在本实施例的一些可选的实现方式中,关联信息可以包括三维姿态信息和质量信息,三维姿态信息可以包括俯仰角度值、偏航角度值和翻滚角度值,质量信息可以包括模糊程度值;以及第一确定子单元可以进一步被配置成:对于人脸图像集合中的每张人脸图像,确定该人脸图像所对应的俯仰角度值、偏航角度值和翻滚角度值的绝对值以及所对应的模糊程度值之间的总和,并将第一预设值与所确定的总和之间的比值确定为该人脸图像所对应的权重值。
在本实施例的一些可选的实现方式中,选取子单元可以进一步被配置成:若人脸图像集合中的人脸图像的数量超出第二预设值,从人脸图像集合中选取出所对应的权重值最大的前第二预设值张人脸图像。
在本实施例的一些可选的实现方式中,选取子单元还可以进一步被配置成:若人脸图像集合中的人脸图像的数量未超出第二预设值,从人脸图像集合中选取出所有人脸图像。
在本实施例的一些可选的实现方式中,人脸属性信息可以包括目标数值,目标数值可以为以下任一项:与预设人脸属性对应的属性值、与预设人脸属性下的属性值对应的概率值;以及第二确定子单元可以进一步被配置成:
采用以下公式计算置信度:
其中,C代表置信度;n为上述多张人脸图像的数量;i为处于[1,n]内的自然数;W代表权重值,Wi代表上述多张人脸图像中的第i张人脸图像对应的权重值,Wn代表上述多张人脸图像中的第n张人脸图像对应的权重值;V代表人脸属性信息中的目标数值,Vi代表上述多张人脸图像中的第i张人脸图像对应的人脸属性信息中的目标数值。
在本实施例的一些可选的实现方式中,第三确定单元505可以包括:第三确定子单元(图中未示出),被配置成基于上述多张人脸图像分别对应的人脸属性信息,确定人脸属性识别结果。
在本实施例的一些可选的实现方式中,第三确定子单元可以进一步被配置成:将上述多张人脸图像中的、在人脸视频片段中排列位置最靠后的人脸图像所对应的人脸属性信息确定为人脸属性识别结果。
在本实施例的一些可选的实现方式中,获取单元501可以进一步被配置成:响应于置信度未超出置信度阈值,继续获取目标人物的人脸视频片段。
本公开的上述实施例提供的装置,通过获取目标人物的人脸视频片段,而后从人脸视频片段中提取出人脸图像集合,接着对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息包括以下至少一项:三维姿态信息、质量信息,然后基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度,以便在确定该置信度超出置信度阈值时,基于所确定的人脸属性信息,确定人脸属性识别结果。本公开的上述实施例提供的方案可以在节约检测时间的情况下获得具有较高准确度的人脸属性识别结果。
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:获取目标人物的人脸视频片段;从人脸视频片段中提取出人脸图像集合;对人脸图像集合中的每张人脸图像进行解析,确定与该人脸图像对应的人脸属性信息和关联信息,关联信息可以包括以下至少一项:三维姿态信息、质量信息;基于所确定的人脸属性信息和关联信息,确定与人脸属性信息有关的置信度;若置信度超出置信度阈值,基于所确定的人脸属性信息,确定人脸属性识别结果。
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“获取目标人物的人脸视频片段的单元”。
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。