CN112257491B - 自适应调度人脸识别和属性分析方法及装置 - Google Patents

Abstract

一种自适应调度人脸识别和属性分析方法，包括：获取第一视频信息；检测所述第一视频信息中包含人脸信息的部分，得到具有人脸部分的第二视频信息；根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果，所述第一模型为人脸区域大小与识别阈值的对应关系，所述第一结果为所述第二视频信息中的图像对应的识别阈值；根据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属性分析。本发明实施时，通过人脸图像区域与识别阈值关系的第一模型，使不同的人脸区域大小适用不同的人脸阈值，对视频中的人脸进行检测，不需要丢弃有用信息，保证监控的准确度。

Description

自适应调度人脸识别和属性分析方法及装置

技术领域

本发明涉及人脸识别和属性分析领域，尤其是涉及一种自适应调度人脸识别 和属性分析方法及装置。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用 摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸， 进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面 部识别。人脸属性分析指根据给定的人脸来判断其性别、年龄和表情等。

无论是人脸识别还是人脸属性分析，在进行监控时，首先是需要进行人脸检 测，即从实时画面里检测到人脸，只有检测到人脸才能进行后续的人脸识别和人 脸属性分析；人脸识别和人脸属性分析因为涉及到识别结果的准确率，现在常用 的人脸检测算法已经很成熟，当人脸距离摄像机很远的地方都能被检测到，但往 往这时采集到的人脸数据里所包含的人脸特征点并不是很丰富，特征点的缺失往 往会直接影响识别效果，如果将这样的人脸数据做后续处理，大概率不会得到理 想的识别效果，反而还会浪费运算资源，所以为了保证较高的识别准确率，传统 的方法是设定人脸框大小阈值，一旦检测到的人脸框大小达到所设定的阈值，才 将人脸数据推送给后端进行人脸识别和人脸属性分析，所以人脸识别和人脸属性 分析不需要实时运行。

发明人在长期实践过程中发现，传统的方法存在以下技术问题：

虽然人脸属性分析因为需要具有丰富的人脸特征数据才有较高准确性，所以 这样的丢弃处理没有问题，但是如果被摄人正是需要进行身份识别的人，那么就 造成重要监控信息的遗漏。

发明内容

本发明的目的在于克服现有技术中丢弃有用信息，导致监控信息遗漏的技术 问题，提供一种自适应调度人脸识别和属性分析方法及装置。

为实现上述技术目的，达到上述技术效果，本发明是通过以下技术方案实现：

第一方面，提供一种自适应调度人脸识别和属性分析方法，包括：

获取第一视频信息；

检测所述第一视频信息中包含人脸信息的部分，得到具有人脸部分的第二视 频信息；

根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果，所述 第一模型为人脸区域大小与识别阈值的对应关系，所述第一结果为所述第二视频 信息中的图像对应的识别阈值；

根据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属 性分析。

第二方面，基于同样的发明构思提供一种自适应调度人脸和属性分析装置， 其特征在于，包括：

第一获取单元，用于获取第一视频信息；

第一检测单元，用于检测所述第一视频信息中包含人脸信息的部分，得到具 有人脸部分的第二视频信息；

第一处理单元，用于根据所述第二视频信息中的图像及第一模型进行比对， 获得第一结果，所述第一模型为人脸区域大小与识别阈值的对应关系，所述第一 结果为所述第二视频信息中的图像对应的识别阈值；

第二处理单元，用于根据所述第二视频信息及所述第一结果进行人脸图像识 别和/或进行人脸属性分析。

与现有技术相比，本发明的有益效果是：

本发明实施时，通过获取第一视频信息，检测所述第一视频信息中包含人脸 信息的部分，得到具有人脸部分的第二视频信息，根据所述第二视频信息中的图 像及第一模型进行比对，获得第一结果，所述第一模型为人脸区域大小与识别阈 值的对应关系，所述第一结果为所述第二视频信息中的图像对应的识别阈值，根 据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属性分析 实现对人脸识别和人脸属性的分析，通过人脸图像区域与识别阈值关系的第一模 型，使不同的人脸区域大小适用不同的人脸阈值，对视频中的人脸进行检测，不 需要丢弃有用信息，保证监控的准确度。

附图说明

图1为本发明提供的各个实施例所涉及的一种实施环境的结构示意图；

图2是本发明提供的一个实施例提供的自适应调度人脸识别和属性分析方法 的流程图；

图3是本发明提供的识别阈值分级示意图；

图4是本发明提供的识别阈值设置方法示意图；

图5是本发明提供的另一个实施例提供的自适应调度人脸识别和属性分析方 法的；

图6是本发明一个第一数据库建立方法示意图；

图7是本发明提供的一个人脸条目结构示意图；

图8是本发明提供的一个实施例提供的人脸簇组建立示意图；

图9是本发明提供的另一个实施例提供的人脸簇组建立示意图；

图10是本发明一个实施例提供的自适应调度人脸识别和属性分析装置的框架图；

图11是本发明再一实施例提供的自适应调度人脸识别和属性分析装置的结构 框架图；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实 施方式作进一步地详细描述。

请参考图1，其示出了本发明各个实施例所涉及的一种实施环境的结构示意 图。该实施环境包括摄像头110、自适应调度人脸和属性分析装置120。

摄像头110具有摄像功能，自适应调度人脸和属性分析装置120可以采用笔记 本电脑、台式计算机等，摄像头与自适应调度人脸和属性分析装置通过无线局域 网连接或者通过有线网络连接，实现信息传输。

下面，将通过几个具体的实施例对本发明实施例提供的自适应调度人脸识别 和属性分析方案进行详细介绍和说明。

请参考图2，其示出了本发明的一个实施例的流程图，该自适应调度人脸识别 和属性分析方法，包括：

S201获取第一视频信息；

第一视频由摄像头110录制实时传递至自适应调度人脸和属性分析装置120。

S202检测所述第一视频信息中包含人脸信息的部分，得到具有人脸部分的第 二视频信息；

将不包含人脸的视频信息去除，仅处理包含人脸的视频信息，处理时，可以 处理第一视频中的每一帧图像，也可以每隔一定数量帧选取一帧图像进行检测， 在此不作限制，人脸检测为现有通用技术，一般常用的有R-CNN算法实现。

S203根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果， 所述第一模型为人脸区域大小与识别阈值的对应关系，所述第一结果为所述第二 视频信息中的图像对应的识别阈值；

识别阈值根据人脸区域大小进行设定，对不同的人脸区域大小设定不同的识 别阈值，使不同大小的人脸区域按照不同的识别阈值进行识别，保证识别的准确 率，避免信息遗漏。

S204根据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人 脸属性分析。

人脸图像识别和人脸属性分析为现有技术，可以采用深度学习识别算法实现， 识别阈值可以被用来限定深度学习识别算法的通过率，识别阈值越高通过率越高。

本实施例通过获取第一视频信息，检测所述第一视频信息中包含人脸信息的 部分，得到具有人脸部分的第二视频信息，根据所述第二视频信息中的图像及第 一模型进行比对，获得第一结果，所述第一模型为人脸区域大小与识别阈值的对 应关系，所述第一结果为所述第二视频信息中的图像对应的识别阈值，根据所述 第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属性分析实现对 人脸识别和人脸属性的分析，通过人脸图像区域与识别阈值关系的第一模型，使 不同的人脸区域大小适用不同的人脸阈值，对视频中的人脸进行检测，不需要丢 弃有用信息，保证监控的准确度。

在一些实施例中，S204根据所述第二视频信息中的图像及第一模型进行比对， 获得第一结果，包括：

S2041判断所述第二视频信息中的图像中人脸区域大小是否大于等于第一阈 值，所述第一阈值为所述第一模型中最小的人脸区域大小，所述第一模型包括第 一阈值与第二阈值，所述第一阈值为人脸区域的最小值，所述第二阈值为人脸区 域的最大值，在第一阈值与第二阈值之间被分为N个区域，其中分割点分别为S₁、 S₂、S₃、...、S_N，对应处的识别阈值分别为T₁、T₂、T₃、...、T_N，人脸区域为S的 大小为S_i≤S<S_i+1时，人脸识别阈值为T＝(T_i*(S_i+1-S)+T_i+1*(S-S_i))/(S_i+1-S_i),人脸 区域的大小S大于S_N时，人脸识别阈值为T＝T_N，其中N为大于等于2的正整数，i 为大于1小于N的正整数；

S2042若判断结果为是，则获取第一模型中与所述第二视频中人脸区域大小对 应的人脸识别阈值为第一结果。

根据不同的人脸区域大小来调整识别阈值，人脸区域越大，识别阈值越大， 如图1的应用场景，待检测人员距离摄像头越近，则识别越准确，如果人脸区域 超过最大值时，则识别阈值按照最大值计算，最大的识别阈值必须满足人脸识别 准确率在百分之九十九以上，如在远处人脸识别的相似度为0.6，低于识别阈值 0.7，但由于距离远，所以不能认为此人就不是需要识别的人，此时根据需要可以 调整识别阈值，使该人脸图像属于要识别的人，该调度方法随着人脸图像区域大 小动态调整阈值，距离近肯定要提高阈值来保证精确度，距离远就要降低阈值来 降低漏检率。

以图3和图4进行说明人脸识别阈值的设定，分级人脸识别阈值列表反映了 人脸识别阈值和人脸框大小的对应关系，人脸框即为人脸区域大小，其表明了被 摄人位于距离摄像头不同的位置时，在满足一定识别准确率的条件下，所需要设 置的人脸识别阈值，同时在这些位置所检测到的人脸框大小基本是不一致的，所 以每个位置都对应着一个固定的人脸识别阈值和人脸框大小。分级人脸识别阈值 列表里面保存有若干条目，每个条目都包含了人脸识别阈值及其对应的人脸框大 小。

首先，选择n个距离摄像头不同的位置(D1，...，Dn)，接着被摄人站在位 置i上进行人脸识别，第一次的位置i为1，即D1处，意味着从距离摄像头最远 的位置开始，然后通过设置不同的人脸识别阈值T，确保在该位置的人脸识别准确 率不低于A，并计算出当前的人脸框大小F，最后将满足要求的人脸识别阈值T1 和人脸框大小F1组成一个条目(T1，F2)，并记入分级人脸识别阈值列表；

继续更新位置i，默认更新规则为i＝i+1，这时位置为2，即D2处，重复前 面的操作流程，找到满足要求的(T2，F2)，接着继续更新位置i，直到n个位置 上的人脸识别完成，找到离摄像机最近位置的人脸识别阈值条目(Tn，Fn)，则 最终的分级人脸识别阈值列表也创建完成，其中共有n个条目。另外，需要在分 级人脸识别阈值里确定一个最高等级条目，即里面设置的最高人脸识别阈值必须 满足人脸识别准确率在百分之九十九以上，前面选取的人脸识别准确率A可以不 等于百分之九十九。一般情况下，位置n被设置为满足最高等级要求的位置，这 时的人脸距离摄像头最近，所得的人脸框也最大，人脸的面部信息被采集的更丰 富，所以在这个位置有更高识别准确率。

如图5所示，首先根据检测到的人脸框大小，即人脸坐标，定义为(W，H)， 其中W表示宽，H表示高，结合已创建的分级人脸识别阈值列表，通过比较人脸框 大小，计算得到当前所检测到的人脸框所对应的人脸识别阈值，其中人脸框大小 比较的方法是根据人脸坐标计算出人脸框面积，然后通过面积大小来比较，其中 分级人脸识别阈值列表里的条目(T，F)中的F存储的也是人脸坐标(W’,H’)， 那么人脸框面积S＝W’*H’，实质比较的就是W*H和W’*H’的大小关系。 如果人脸框小于列表里最小的人脸框，则丢弃该人脸数据；如果人脸框大于列表 里最大的人脸框，则将人脸识别阈值设置为列表里最大人脸框对应的识别阈值； 如果人脸框大小处于列表里最小人脸框和最大人脸框之间，则根据人脸框大小在 列表中所处的分级位置，计算出相应的人脸识别阈值，假设检测到的人脸框面积 为Rf，结合分级人脸识别阈值列表，发现Rf位于S1和S2之间，即S1<Rf<S2， S1和S2对应的人脸识别阈值分别为T1和T2，那么计算出Rf对应的人脸识别阈 值T的公式为：，得出

经过上述步骤得到人脸数据及其对应的人 脸识别阈值。

在一些实施例中，S204根据所述第二视频信息中的图像及第一模型进行比对， 获得第一结果，包括：

判断所述第二视频信息中的图像中人脸区域大小是否大于等于第一阈值，所 述第一阈值为所述第一模型中最小的人脸区域大小；

若判断结果为否，则丢弃所述第二视频信息中该图像的信息。

如果第二视频信息中人脸区域过小，已经无法准确进行识别，则可以丢弃， 第一阈值可以根据实际需求确定，在识别准确率不能满足要求时，设定第一阈值。

在一些实施例中，S204根据所述第二视频信息及所述第一结果进行人脸图像 识别包括：

S2041a根据所述第二视频信息及第一数据库进行人脸图像对比，获取第一对 比结果数值，所述第一数据库为预先存储的人脸图像数据库；

人脸数据库包括人脸图像和对应的身份信息，建立时如图6所示，首先用户 将人脸图片通过本地上传给人脸识别和属性分析系统进行注册，即人脸图片入库， 系统里的人脸检测组件会自动检测出图片中人脸的位置坐标，并根据位置坐标信 息截取人脸图片，这就得到了人脸数据；接着从人脸数据中提取人脸特征值并结 合其对应的身份信息，一起存入人脸库组件，这样就完成了人脸图片注册。

S2042a比较第一对比结果数值与所述第一结果数值，若所述第一对比结果数 值大于所述第一结果数值，则；

一般采用深度学习将人脸图像的特征进行提取，之后通过欧拉距离公式进行 对比，第一对比结果竖直即为置信度值，一般采用深度学习将人脸图像的特征进 行提取，之后通过欧拉距离公式进行对比，获得置信度，获得第一对比结果，第 一结果数值为当前图像对应的识别阈值,此为现有技术。提取的人脸特征值与人脸 库里存储的特征值进行人脸比对，比对的结果是数值，称之为置信度，若置信度 大于人脸识别阀值，则说明摄像头抓拍到的人脸是人脸库里预存入的人员，从而 获得其身份信息；若置信度小于人脸识别阈值，则说明摄像头抓拍到的人脸不是 人脸库里预存入的人员，进而将该人脸数据丢弃，一般采用深度学习将人脸图像 的特征进行提取，之后通过欧拉距离公式进行对比，获得置信度。

S2043a判定所述第二视频信息中的人脸图像为所述第一数据库中的人脸，输 出包含人脸图像的图片与第一数据库的对应图片及所述对应图片的身份信息。

输出到监测人员电脑或者手机上，实现对相关人员的监控。

在一些实施例中，S204若所述第一对比结果数值小于所述第一结果数值，则；

丢弃所述所述第二视频信息中的图像。

如果视频中不包含人员信息，则丢弃相关图像及相关视频。

在一些实施例中，S204根据所述第二视频信息及所述第一结果进行人脸图像 识别包括：

S2041b按照视频顺序获取所述第二视频信息中的包含人脸的图像；

S2042b按照顺序对比相邻人脸图像，获得相邻人脸图像的置信度；

一般采用深度学习将相邻人脸图像的特征进行提取，之后通过欧拉距离公式 进行对比，对比结果竖直即为置信度值，一般采用深度学习将要对比的人脸图像 的特征进行提取，之后通过欧拉距离公式进行对比，获得置信度。

S2043b判断置信度与第三阈值的大小，获取小于第三阈值的相邻的两个包含 人脸的图像之间的图像及图像在第二视频信息中的顺序关系；

S2044b根据所述小于第三阈值的相邻的两个包含人脸的图像之间的图像及第 一数据库进行人脸图像对比；

S2045b获取属于包含同一身份信息的人脸的图像，建立人脸图像、时间顺序 及身份信息簇组。

将包含同一人脸的信息建立一个簇组，便于根据需要输出，如需要输出某人 照片时，则将包含某人簇组的时间点最近的照片输出，即最靠后的时间点的照片， 作为某人的监控照片，因为人靠近摄像头时间点越靠后，第三阈值根据需要进行 设定，第三阈值越大识别通过率越低，识别越准确。

如图3、图8、图9，对本实施例进行详细说明，假设人以正常步速从距离摄 像头最远处D1走到最近处Dn，总共花费时间为T秒，那么定时器定时间隔就设置 为T秒，这也意味着在T秒内同一个人被抓拍的图片基本都送入了缓存等待后续 处理。

定时器定时时间到后，系统以缓存中的第一个人脸条目的时间戳为基准，提 取满足时间段间隔在T秒内的所有人脸条目。如图8所示，假设TimeS-Time1<＝ T，则满足要求的就是Time1到TimeS的人脸条目。

将Time1到TimeS的人脸条目从缓存中提取出来进行聚类分析。聚类分析的 方法是首先设置人脸相似度阈值FaceVerify，然后对这些人脸条目里存储的人脸 数据进行两两之间的人脸比对分析，如果比对分析得到的置信度大于FaceVerify， 且对应的身份信息一致，则就认定两张人脸同属一个人，然后按照时间戳先后顺 序将两者关联起来，这样就将它们归于同一人脸簇组。一般情况下，同一个人通 过摄像头视场的那段时间内被抓拍的若干张人脸图片，彼此时间戳越接近，它们 对应的人脸图片的相似度越高，越容易被关联起来，如图3所示，D1和D2的相似 度就很高，但D1与Dn的相似度就很低，那么通过聚类分析后，每个簇组里会生 成一个链式结构。当然也有可能事实上不属于一个人，但是因为相似度满足要求 被误认为同一个人而关联起来，这时可以根据身份信息来判断是否一致，不一致 就断链。如图9所示，进行聚类分析的人脸条目包括从Time1到Time9共9个条 目，通过两两人脸比对分析后形成置信度的关联关系，接着比较相互置信度关联 的身份信息，发现Time5和Time6并非同一个人，所以两者之间断开关联，将关 联在一起的人脸条目链条组成人脸簇组，这样就形成了两组人脸簇组(人脸簇组1 和人脸簇组2)。

经过聚类分析后，会生成若干组人脸簇组。针对每一组人脸簇组，如果要选 出对应该人脸身份的抓拍人脸数据用于显示，那么就按照时间戳由近及远的顺序 来选取它们各自所对应的人脸数据，比如人脸条目链条为 Time1->Time2->Time3->Time4，如果选一张人脸数据，则选择Time4对应的人脸 数据，如果选择两张人脸数据，则选择Time4和Time3，以此内推。

在一些实施例中，根据所述第二视频信息进行人脸属性分析包括：

根据所述第二视频信息中的图像中人脸区域大小与第二阈值相比较，所述第 二阈值为预设值，若所述第二视频信息中的图像中人脸区域大于所述第二阈值， 则：

对第二视频信息中的图像中人脸进行人脸属性分析。

对人脸属性进行分析时，通过深度学习进行分析，此为现有技术。

在一些实施例中，根据所述第二视频信息及所述第一结果进行人脸图像识别 和进行人脸属性分析，包括：

根据所述第二视频信息中的图像中人脸区域大小与第二阈值相比较，所述第 二阈值为预设值，若所述第二视频信息中的图像中人脸区域大于所述第二阈值， 则：

对第二视频信息中的图像中人脸进行人脸属性分析及人脸识别。

进行人脸属性分析及人脸识别时可以采用前述人脸属性分析及人脸识别方 法。

具体的，根据检测到的人脸框大小数据，判断该人脸框是否大于分级人脸识 别阈值列表里最高识别阈值所对应人脸框；如果前者大于后者，则自适应调度人 脸和属性分析装置，开辟两个处理线程，一个处理线程执行人脸识别，另一个处 理线程执行人脸属性分析，两个线程异步执行，互不交互数据，也不相互干扰； 如果前者小于后者，则不需要开辟处理线程，只需要进行人脸识别，如果人脸区 域小于第一阈值，则直接丢弃。

请参考图10，其示出了本发明一个实施例提供的一种自适应调度人脸和属性 分析装置，包括：

第一获取单元1001，用于获取第一视频信息；

第一检测单元1002，用于检测所述第一视频信息中包含人脸信息的部分，得 到具有人脸部分的第二视频信息；

第一处理单元1003，用于根据所述第二视频信息中的图像及第一模型进行比 对，获得第一结果，所述第一模型为人脸区域大小与识别阈值的对应关系，所述 第一结果为所述第二视频信息中的图像对应的识别阈值；

第二处理单元1004，用于根据所述第二视频信息及所述第一结果进行人脸图 像识别和/或进行人脸属性分析。

第一检测单元1002、第一处理单元1003及第二处理单元1004可以是处理单 元的组成部分，处理单元可以是处理器或控制器，例如可以是中央处理器(central processingunit，CPU)，通用处理器，数字信号处理器(digital signal processor， DSP)，专用集成电路(application-specificintegrated circuit，ASIC)，现场 可编程门阵列(fieldprogrammable gate array，FPGA)或者其它可编程逻辑器件、 晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开 内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计 算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等等。

第一获取单元1001可以是收发器或通信接口，用于与摄像头进行通讯。还可 以包括存储单元可以是存储器，用于存储执行本申请方法的所需的信息。

当处理单元为处理器，获取单元为通信接口，存储单元为存储器时，本申请 所涉及的自适应调度人脸和属性分析装置可以为图11所示的装置。

参阅图11所示，该装置1100包括：处理器1102、通信接口1101和存储器 1103。其中，通信接口1101、处理器1102以及存储器1103可以通过内部连接通 路相互通信，传递控制和/或数据信号。

需要说明的是：上述实施例提供的自适应调度人脸和属性分析装置，仅以上 述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分 配由不同的功能模块完成，即自适应调度人脸和属性分析装置的内部结构划分成 不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供 的自适应调度人脸和属性分析装置与自适应调度人脸和属性分析实施例属于同一 构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过 硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一 种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘 等。

Claims (8)

1.一种自适应调度人脸识别和属性分析方法，其特征在于，包括：

获取第一视频信息；

检测所述第一视频信息中包含人脸信息的部分，得到具有人脸部分的第二视频信息；

根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果，所述第一模型为人脸区域大小与识别阈值的对应关系，比对步骤包括：判断所述第二视频信息中的图像中人脸区域大小是否大于等于第一阈值，所述第一阈值为所述第一模型中最小的人脸区域大小，所述第一模型包括第一阈值与第二阈值，所述第一阈值为人脸区域的最小值，所述第二阈值为人脸区域的最大值，在第一阈值与第二阈值之间被分为N个区域，其中分割点分别为S₁、S₂、S₃、...、S_N，对应处的识别阈值分别为T₁、T₂、T₃、...、T_N，人脸区域为S的大小为S_i≤S<S_i+1时，人脸识别阈值为T＝(T_i*(S_i+1-S)+T_i+1*(S-S_i))/(S_i+1-S_i),人脸区域的大小S大于S_N时，人脸识别阈值为T＝T_N，其中N为大于等于2的正整数，i为大于1小于N的正整数；若判断结果为是，则获取第一模型中与所述第二视频中人脸区域大小对应的人脸识别阈值为所述第一结果；

根据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属性分析。

2.根据权利要求1所述的自适应调度人脸识别和属性分析方法，其特征在于，根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果，包括：

判断所述第二视频信息中的图像中人脸区域大小是否大于等于第一阈值，所述第一阈值为所述第一模型中最小的人脸区域大小；

若判断结果为否，则丢弃所述第二视频信息中该图像的信息。

3.根据权利要求1所述的自适应调度人脸识别和属性分析方法，其特征在于，根据所述第二视频信息及所述第一结果进行人脸图像识别包括：

根据所述第二视频信息及第一数据库进行人脸图像对比，获取第一对比结果数值，所述第一数据库为预先存储的人脸图像数据库；

比较第一对比结果数值与所述第一结果数值，若所述第一对比结果数值大于所述第一结果数值，则；

判定所述第二视频信息中的人脸图像为所述第一数据库中的人脸，输出包含人脸图像的图片与第一数据库的对应图片及所述对应图片的身份信息。

4.根据权利要求3所述的自适应调度人脸识别和属性分析方法，其特征在于，若所述第一对比结果数值小于所述第一结果数值，则；

丢弃所述第二视频信息中的图像。

5.根据权利要求1所述的自适应调度人脸识别和属性分析方法，其特征在于，根据所述第二视频信息及所述第一结果进行人脸图像识别包括：

按照视频顺序获取所述第二视频信息中的包含人脸的图像；

按照顺序对比相邻人脸图像，获得相邻人脸图像的置信度；

判断置信度与第三阈值的大小，获取小于第三阈值的相邻的两个包含人脸的图像之间的图像及图像在第二视频信息中的顺序关系；

根据所述小于第三阈值的相邻的两个包含人脸的图像之间的图像及第一数据库进行人脸图像对比；

获取属于包含同一身份信息的人脸的图像，建立人脸图像、时间顺序及身份信息簇组。

6.根据权利要求1所述的自适应调度人脸识别和属性分析方法，其特征在于，根据所述第二视频信息进行人脸属性分析包括：

根据所述第二视频信息中的图像中人脸区域大小与所述第二阈值相比较，若所述第二视频信息中的图像中人脸区域大于所述第二阈值，则：

对第二视频信息中的图像中人脸进行人脸属性分析。

7.根据权利要求1所述的自适应调度人脸识别和属性分析方法，其特征在于，根据所述第二视频信息及所述第一结果进行人脸图像识别和进行人脸属性分析，包括：

根据所述第二视频信息中的图像中人脸区域大小与所述第二阈值相比较，若所述第二视频信息中的图像中人脸区域大于所述第二阈值，则：

对第二视频信息中的图像中人脸进行人脸属性分析及人脸识别。

8.一种自适应调度人脸和属性分析装置，其特征在于，包括：

第一获取单元，用于获取第一视频信息；

第一检测单元，用于检测所述第一视频信息中包含人脸信息的部分，得到具有人脸部分的第二视频信息；

第一处理单元，用于根据所述第二视频信息中的图像及第一模型进行比对，获得第一结果，所述第一模型为人脸区域大小与识别阈值的对应关系，所述第一结果为所述第二视频信息中的图像对应的识别阈值；所述第一处理单元包括：第一判断模块，用于判断所述第二视频信息中的图像中人脸区域大小是否大于等于第一阈值，所述第一阈值为所述第一模型中最小的人脸区域大小，所述第一模型包括第一阈值与第二阈值，所述第一阈值为人脸区域的最小值，所述第二阈值为人脸区域的最大值，在第一阈值与第二阈值之间被分为N个区域，其中分割点分别为S1、S2、S3、...、SN，对应处的识别阈值分别为T1、T2、T3、...、TN，人脸区域为S的大小为Si≤S<Si+1时，人脸识别阈值为T＝(Ti*(Si+1-S)+Ti+1* (S-Si))/(Si+1-Si),人脸区域的大小S大于SN时，人脸识别阈值为T＝TN，其中N为大于等于2的正整数，i为大于1小于N的正整数；第一获取模块，用于若判断结果为是，则获取第一模型中与所述第二视频中人脸区域大小对应的人脸识别阈值为第一结果；

第二处理单元，用于根据所述第二视频信息及所述第一结果进行人脸图像识别和/或进行人脸属性分析。

Images