一種人臉屬性檢測模型生成方法及系統的制作方法
【技術領域】
[0001] 本發明涉及圖像分析技術領域，特別涉及一種人臉屬性檢測模型生成方法及系 統。
【背景技術】
[0002] 人臉屬性檢測技術是圖像分析領域當中，近年來非常活躍的一個分支。在安防、娛 樂或智能設備等諸多范疇當中，人臉屬性檢測技術都有著廣闊的前景和重要的實用價值。
[0003] 所謂人臉屬性檢測的主要思想就是，利用人臉圖像上顯示的某些細節特征(如局 部區域的顏色、邊緣形狀或紋理)，來確定人臉圖像上的諸多屬性(如年齡、種族、性別或表 情）；以實現人像的篩選、分類、檢索乃至身份識別等目的。
[0004] 目前階段，最常見的人臉屬性檢測技術一般都基于支持向量機（SupportVector Machine，簡稱SVM)。基于SVM的人臉屬性檢測，就是利用貪婪算法選擇人臉圖像中能最能 代表特定屬性的特征，聯合所選取的若干特征并通過SVM模型進行計算，進而實現特定屬 性的判斷。
[0005] 基于SVM的人臉屬性檢測，整體方案相對簡潔，在常規的人臉屬性檢測過程中，其 準確率也能夠滿足使用需求。不過該方案的缺陷在于：只能在人臉圖像清晰完整的情況下 保障準確率，但不具備延伸和推演的性質；一旦人臉圖像的某些部分模糊或者存在遮擋，即 存在未知的特征時，SVM模型便會失效，無法實現正確的人臉屬性檢測。
【發明內容】
[0006] 有鑒于此，本發明的目的在于提供一種人臉屬性檢測模型生成方法和系統，將人 臉圖像的多個屬性乃至各屬性下層的特征關聯在檢測模型中，使得該模型再檢測過程中， 可以利用待測人臉圖像已知的特征參量計算全部屬性的屬性參量，實現在部分特征參量未 知的情況下，準確的完成人臉屬性檢測。
[0007] 為實現上述目的，本發明有如下技術方案：
[0008] 第一方面，本發明提供了一種人臉屬性檢測模型生成方法，所述方法包括：
[0009] 針對人臉不同的屬性，分別從人臉樣本圖像中選定與屬性對應的特征決策樹結 構，所述特征決策樹結構包括一個或多個特征；將所述特征決策樹結構轉換為子和積網絡 結構；
[0010] 以多個對應屬性的子和積網絡結構和所述屬性的屬性參量作為結點，組合為母和 積網絡結構，并為母和積網絡結構的邊配置權重值，得到檢測模型；
[0011] 所述屬性參量為判斷屬性是否存在的參量；所述和積網絡結構的邊用于連接所述 結點。
[0012] 在第一方面的第一種可能的實現方式中，所述分別從人臉樣本圖像中選定與屬性 對應的特征決策樹結構具體為：
[0013] 利用人臉樣本圖像，針對屬性進行特征訓練，得到支持該屬性的特征決策樹結構， 并得到特征決策樹結構中每個特征對應的特征檢測器和特征定位器。
[0014] 在第一方面的第二種可能的實現方式中，所述方法還包括：
[0015] 從待測人臉圖像中提取已知特征參量代入檢測模型，計算得到待測人臉圖像中的 屬性參量的值；所述特征參量為代表相應特征判斷結果的參量。
[0016] 在第一方面的第三種可能的實現方式中，所述從待測人臉圖像中提取已知特征參 量具體為：
[0017] 利用所述特征定位器在待測圖像中找到該特征所在的區域，在區域內利用所述特 征檢測器得到已知特征參量。
[0018] 在第一方面的第四種可能的實現方式中，所述計算得到待測人臉圖像中的屬性參 量的值具體為：
[0019] 在所述檢測模型中利用最大概率指派算法計算得到待測人臉圖像中的屬性參量 的值。
[0020] 在第一方面的第五種可能的實現方式中，所述以多個對應屬性的子和積網絡結構 和所述屬性的屬性參量作為結點，組合為母和積網絡結構具體為：
[0021] 預先設置母和積網絡結構模板；
[0022] 以多個對應屬性的子和積網絡結構和所述屬性的屬性參量作為結點，將所述結點 按照母和積網絡結構模板組合，得到母和積網絡結構。
[0023] 在第一方面的第六種可能的實現方式中，所述為母和積網絡結構的邊配置權重值 具體為：
[0024] 隨機設定母和積網絡結構的各邊的參考權重，并利用人臉樣本圖像對母和積網絡 結構各邊的參考權重進行訓練；
[0025] 所述參考權重的訓練具體為，根據人臉樣本圖像反復重置參考權重，直到重置后 的參考權重與重置前參考權重的差值小于預設的收斂閾值，則將所述重置后的參考權重作 為各邊的權重值。
[0026] 在第一方面的第七種可能的實現方式中，所述對母和積網絡結構各邊的參考權重 進行訓練具體為：
[0027] 利用最大概率指派算法對母和積網絡結構各邊的參考權重進行訓練。
[0028] 第二方面，本發明提供了一種人臉屬性檢測模型生成系統，所述系統具體包括：
[0029] 子建模模塊，用于針對人臉不同的屬性，分別從人臉樣本圖像中選定與屬性對應 的特征決策樹結構，所述特征決策樹結構包括一個或多個特征；將所述特征決策樹結構轉 換為子和積網絡結構；
[0030] 母建模模塊，用于以多個對應屬性的子和積網絡結構和所述屬性的屬性參量作為 結點，組合為母和積網絡結構，并為母和積網絡結構的邊配置權重值，得到檢測模型；
[0031] 所述屬性參量為判斷屬性是否存在的參量；所述和積網絡結構的邊用于連接所述 結點。
[0032] 在第二方面的第一種可能的實現方式中，所述子建模模塊具體包括：
[0033] 特征訓練單元，用于利用人臉樣本圖像，針對屬性進行特征訓練，得到支持該屬性 的特征決策樹結構，并得到特征決策樹結構中每個特征對應的特征檢測器和特征定位器；[0034] 子結構單元，用于將所述特征決策樹結構轉換為子和積網絡結構。
[0035] 在第二方面的第二種可能的實現方式中，所述系統還包括：
[0036]圖像檢測模塊，用于從待測人臉圖像中提取已知特征參量代入檢測模型，計算得 到待測人臉圖像中的屬性參量的值；
[0037] 所述特征參量為代表相應特征判斷結果的參量。
[0038] 在第二方面的第三種可能的實現方式中，所述圖像檢測模塊具體包括：
[0039] 提取單元，用于利用所述特征定位器在待測圖像中找到該特征所在的區域，在區 域內利用所述特征檢測器得到已知特征參量；
[0040] 計算單元，用于將已知特征參量代入檢測模型，計算得到待測人臉圖像中的屬性 參量的值。
[0041] 在第二方面的第四種可能的實現方式中，所述母建模模塊具體包括：
[0042] 模板單元，用于預先設置母和積網絡結構模板；
[0043] 母結構單元，用于以多個對應屬性的子和積網絡結構和所述屬性的屬性參量作為 結點，將所述結點按照母和積網絡結構模板組合，得到母和積網絡結構；
[0044] 權重單元，用于為母和積網絡結構的各邊配置權重值。
[0045] 在第二方面的第五種可能的實現方式中，所述權重單元具體包括：
[0046] 隨機設定子單元，用于隨機設定母和積網絡結構的各邊的參考權重；
[0047] 權重訓練子單元，用于所述參考權重的訓練具體為，根據人臉樣本圖像反復重置 參考權重，直到重置后的參考權重與重置前參考權重的差值小于預設的收斂閾值，則將所 述重置后的參考權重作為各邊的權重值。
[0048] 通過以上技術方案可知，本發明存在的有益效果是：本發明利用SPN結構的檢測 模型，使不同特征或者屬性相互關聯起來，所以即使存在某些未知特征參量，檢測模型也能 夠通過上述的關聯關系，由已知的特征參量計算出未知的屬性參量和特征參量，進而準確 的對屬性進行判斷；本發明中的人臉屬性檢測更具有延伸性，實現了對于局部模糊或遮擋 的待測圖像的屬性檢測。
【附圖說明】
[0049] 為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現 有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖是本發明 的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據 這些附圖獲得其他的附圖。
[0050] 圖1為本發明實施例所述方法流程圖；