一種確定人臉圖像的屬性的方法和設(shè)備的制作方法
【專利摘要】本發(fā)明公開了一種確定人臉圖像的屬性的方法和設(shè)備，用于解決采用現(xiàn)有外觀模型方式進(jìn)行年齡估計的準(zhǔn)確度不高的問題。方法包括：將測試圖片劃分成多個不重疊的子圖片，并基于各子圖片采用設(shè)定的算法進(jìn)行處理，確定出測試圖片對應(yīng)的紋理特征向量；且將測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于各分塊采用HOG算法進(jìn)行處理，得到測試圖片對應(yīng)的邊緣形狀特征向量；并將該測試圖片的紋理特征向量和邊緣形狀特征向量組合成該測試圖片的特征向量；將該測試圖片的特征向量與已存儲的各特征向量進(jìn)行匹配，以確定該測試圖片中的人臉圖像所具有的屬性。
【專利說明】一種確定人臉圖像的屬性的方法和設(shè)備
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，特別涉及一種確定人臉圖像的屬性的方法和設(shè)備。
【背景技術(shù)】
[0002]近些年來，在人臉圖像研究相關(guān)的計算機視覺領(lǐng)域，隨著人臉檢測和人臉識別技術(shù)的不斷發(fā)展，人臉圖像的研究熱點，逐漸轉(zhuǎn)向了年齡估計、表情估計等更為先進(jìn)的研究課題。年齡估計作為生物識別技術(shù)的一個重要領(lǐng)域，在身份識別、信息統(tǒng)計、智能化選擇、人機交互、智能電視、智能手機以及娛樂應(yīng)用等方面有著巨大的應(yīng)用前景，所以也越來越成為研究的一個熱點。
[0003]以年齡估計為例，年齡估計是指根據(jù)模式分類的方法，利用人臉圖像的特征，對個體的年齡進(jìn)行估計。目前，比較常用的年齡特征提取方法主要有模擬顱面形狀的人體模型、模擬人臉成長老化過程的年齡模式模型、流型模型、外觀模型等。由于人在成年以后顱面的變化非常小，所以人體模型只能用于未成年的年齡估計。年齡模式模型的建立需要在很多人的一系列不同年齡階段的圖片的基礎(chǔ)上，而大量的人臉圖像的收集是一個非常困難的事情，而且該方法只提取了人臉圖像的強度信息，提取到的特征精度較低，從而影響年齡估計的準(zhǔn)確性。流型模型對訓(xùn)練數(shù)據(jù)的尺寸要求很高，不適用于推廣使用。外觀模型融合了形狀紋理特征，而且訓(xùn)練數(shù)據(jù)不需要同一個人的多種不同年齡階段的圖片，所以具有很強的靈活性和應(yīng)用前景。
[0004]目前，現(xiàn)有的外觀模型方式中，一般基于主動形狀模型(ActiveShapeModel，ASM)算法提取人臉圖像的特征點信息，ASM算法提取的是人臉部中各器官的指定位置點的信息，比如嘴、鼻子、眼睛、眉毛、臉部輪廓的位置信息，根據(jù)這些位置信息可以計算出人臉部的形狀特征。一方面，由于在未成年時人臉部形狀特征的變化比較大，到成年以后人臉部形狀特征的變化比較小，因此，僅根據(jù)人臉部的形狀特征對年齡進(jìn)行估計，難以全面的體現(xiàn)各個年齡的變化，使得年齡估計的準(zhǔn)確度較低；另一方面，ASM算法本身對人臉部特征點的定位精度不高，因此，僅根據(jù)人臉部的形狀特征進(jìn)行年齡估計的準(zhǔn)確度不高。
[0005]綜上所述，采用現(xiàn)有外觀模型方式進(jìn)行年齡估計的準(zhǔn)確度不高。

【發(fā)明內(nèi)容】

[0006]本發(fā)明實施例提供了一種確定人臉圖像的屬性的方法和設(shè)備，用于解決采用現(xiàn)有外觀模型方式進(jìn)行年齡估計的準(zhǔn)確度不高的問題。
[0007]一種確定人臉圖像的屬性的方法，該方法包括:
[0008]將測試圖片劃分成多個不重疊的子圖片，并基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量；且將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用方向梯度直方圖HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量；并將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量；
[0009]將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的屬性。
[0010]由于本發(fā)明實施例通過對測試圖片劃分后的多個不重疊的子圖片進(jìn)行處理得到紋理特征向量，以及對測試圖片劃分后的多個重疊的分塊進(jìn)行HOG處理得到邊緣形狀特征向量，從而得到該測試圖片的特征向量，能夠提高人臉圖像的屬性估計的準(zhǔn)確度，提高人臉圖像的屬性估計的處理效率。
[0011]在實施中，基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量,包括:
[0012]基于所述子圖片采用局部二值模式LBP算法或基于伽柏Gabor特征的人臉識別算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量。
[0013]在實施中，將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量，包括:
[0014]計算所述測試圖片中每個像素點的梯度方向值；
[0015]根據(jù)每個分塊所包含的各像素點的梯度方向值，確定每個分塊對應(yīng)的方向梯度直方圖信息，以形成每個分塊對應(yīng)的邊緣形狀特征向量；
[0016]確定劃分后的測試圖片的多個滑動窗，將每個滑動窗內(nèi)包含的分塊的邊緣形狀特征向量進(jìn)行串聯(lián)，得到每個滑動窗對應(yīng)的邊緣形狀特征向量，其中，每個滑動窗覆蓋至少兩個所述分塊；
[0017]將每個滑動窗的邊緣形狀特征向量進(jìn)行串聯(lián)，得到所述測試圖片對應(yīng)的邊緣形狀特征向量。
[0018]基于上述任一實施例，將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量，具體包括:
[0019]將所述紋理特征向量和所述邊緣形狀特征向量組合后的向量進(jìn)行降維處理；以及，
[0020]計算降維處理后的向量的子空間，并對所述降維處理后的向量進(jìn)行投影處理，得到所述測試圖片的特征向量。
[0021]基于上述任一實施例，將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的屬性，包括:
[0022]分別計算所述測試圖片的特征向量與已存儲的各特征向量的距離，將最小距離值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者，
[0023]分別計算所述測試圖片的特征向量與已存儲的各特征向量的相關(guān)系數(shù)，將最大相關(guān)系數(shù)值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者，
[0024]分別計算所述測試圖片的特征向量與已存儲的各特征向量的余弦夾角，將最大夾角值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性。
[0025]基于上述任一實施例，根據(jù)以下步驟確定已存儲的各特征向量:[0026]對于不同的屬性，均選取N個不同的樣本圖片，N為大于等于2的正整數(shù)；
[0027]對于每種屬性，確定該屬性對應(yīng)的N個樣本圖片對應(yīng)的特征向量，計算該N個樣本圖片對應(yīng)的特征向量的平均向量，將得到的平均向量作為該屬性對應(yīng)的特征向量。
[0028]基于上述任一實施例，若需要確定所述測試圖片中的人臉圖像所具有的年齡屬性，所述方法包括:
[0029]將所述測試圖片進(jìn)行預(yù)處理，所述預(yù)處理包括將所述測試圖片裁剪為僅包含人臉部區(qū)域，并將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸；
[0030]將預(yù)處理后的測試圖片的特征向量與已存儲的各年齡的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的年齡屬性。
[0031]一種確定人臉圖像的屬性的設(shè)備，該設(shè)備包括:
[0032]特征提取模塊，用于將測試圖片劃分成多個不重疊的子圖片，并基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量；且，將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用方向梯度直方圖HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量；并將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量；
[0033]特征匹配模塊，用于將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的屬性。
[0034]由于本發(fā)明實施例提供的設(shè)備通過對測試圖片劃分后的多個不重疊的子圖片進(jìn)行處理得到紋理特征向量，以及對測試圖片劃分后的多個重疊的分塊進(jìn)行HOG處理得到邊緣形狀特征向量，從而得到該測試圖片的特征向量，從而能夠提高人臉屬性估計的準(zhǔn)確度，提高人臉屬性估計的處理效率。
[0035]在實施中，所述特征提取模塊具體用于:
[0036]基于所述子圖片采用局部二值模式LBP算法或基于伽柏Gabor特征的人臉識別算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量。
[0037]在實施中，所述特征提取模塊將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量，包括:
[0038]計算所述測試圖片中每個像素點的梯度方向值；根據(jù)每個分塊所包含的各像素點的梯度方向值，確定每個分塊對應(yīng)的方向梯度直方圖信息，以形成每個分塊對應(yīng)的邊緣形狀特征向量；確定劃分后的測試圖片的多個滑動窗，將每個滑動窗內(nèi)包含的分塊的邊緣形狀特征向量進(jìn)行串聯(lián)，得到每個滑動窗對應(yīng)的邊緣形狀特征向量，其中，每個滑動窗覆蓋至少兩個所述分塊；將每個滑動窗的邊緣形狀特征向量進(jìn)行串聯(lián)，得到所述測試圖片對應(yīng)的邊緣形狀特征向量。
[0039]基于上述任一實施例，所述特征提取模塊將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量，包括:
[0040]將所述紋理特征向量和所述邊緣形狀特征向量組合后的向量進(jìn)行降維處理；以及，計算降維處理后的向量的子空間，并對所述降維處理后的向量進(jìn)行投影處理，得到所述測試圖片的特征向量。
[0041]基于上述任一實施例，所述特征匹配模塊具體用于:[0042]分別計算所述測試圖片的特征向量與已存儲的各特征向量的距離，將最小距離值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者，
[0043]分別計算所述測試圖片的特征向量與已存儲的各特征向量的相關(guān)系數(shù)，將最大相關(guān)系數(shù)值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者，
[0044]分別計算所述測試圖片的特征向量與已存儲的各特征向量的余弦夾角，將最大夾角值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性。
[0045]基于上述任一實施例，該設(shè)備還包括:
[0046]訓(xùn)練模塊，用于對于不同的屬性，均選取N個不同的樣本圖片，N為大于等于2的正整數(shù)；對于每種屬性，確定該特征對應(yīng)的N個樣本圖片對應(yīng)的特征向量，計算該N個樣本圖片對應(yīng)的特征向量的平均向量，將得到的平均向量作為該屬性對應(yīng)的特征向量；
[0047]存儲模塊，用于存儲所述訓(xùn)練模塊得到的各屬性對應(yīng)的特征向量。
[0048]基于上述任一實施例，若需要確定所述測試圖片中的人臉圖像所具有的年齡屬性，所述設(shè)備還包括預(yù)處理模塊；其中:
[0049]預(yù)處理模塊用于:將所述測試圖片進(jìn)行預(yù)處理，所述預(yù)處理包括將所述測試圖片裁剪為僅包含人臉部區(qū)域，并將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸；
[0050]特征匹配模塊具體用于:將預(yù)處理后的測試圖片的特征向量與已存儲的各年齡的特征向量進(jìn)行匹配，確定該測試圖片中的人臉圖像所具有的年齡屬性。
【專利附圖】

【附圖說明】
[0051]圖1為本發(fā)明提供的確定人臉圖像的屬性的方法的流程示意圖；
[0052]圖2為本發(fā)明實施例提供的確定人臉圖像的屬性的方法中的預(yù)處理前后的效果示意圖；
[0053]圖3為本發(fā)明實施例提供的確定人臉圖像的屬性的方法中得到的子圖片的示意圖；
[0054]圖4A為本發(fā)明實施例提供的第一種滑動窗的示意圖；
[0055]圖4B為本發(fā)明實施例提供的第二種滑動窗的示意圖；
[0056]圖5為本發(fā)明提供的確定人臉圖像的屬性的設(shè)備的示意圖。
【具體實施方式】
[0057]本發(fā)明通過對測試圖片劃分后的多個不重疊的子圖片進(jìn)行LBP處理得到該測試圖片的紋理特征向量，以及對測試圖片劃分后的多個重疊的分塊進(jìn)行HOG處理得到該測試圖片的邊緣形狀特征向量，從而得到該測試圖片的特征向量，并根據(jù)測試圖片的特征向量進(jìn)行屬性估計，提高了屬性估計的準(zhǔn)確度。
[0058]下面結(jié)合說明書附圖對本發(fā)明實施例作進(jìn)一步詳細(xì)描述。應(yīng)當(dāng)理解，此處所描述的實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0059]參見圖1所示，本發(fā)明實施例提供的一種確定人臉圖像的屬性的方法，該方法包括以下步驟:
[0060]步驟11、將測試圖片劃分成多個不重疊的子圖片，并基于子圖片采用設(shè)定的算法進(jìn)行處理，確定出測試圖片對應(yīng)的紋理特征向量；且，將測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于分塊采用方向梯度直方圖(Histogram Of Gradient, HOG)算法進(jìn)行處理,得到測試圖片對應(yīng)的邊緣形狀特征向量；以及將測試圖片的紋理特征向量和邊緣形狀特征向量組合成該測試圖片的特征向量。
[0061]本步驟中，優(yōu)選的，該設(shè)定的算法為局部二值模式(Local Binary Pattern, LBP)算法或基于伽柏Gabor特征的人臉識別算法。
[0062]本步驟中包括兩種對測試圖片的處理:一是采用設(shè)定的算法(如LBP算法或基于Gabor特征的人臉識別算法)確定出測試圖片對應(yīng)的紋理特征向量，二是采用HOG算法進(jìn)行的處理，本步驟不對上述兩個處理過程的順序進(jìn)行限定，可以先采用設(shè)定的算法確定出測試圖片對應(yīng)的紋理特征向量，再采用HOG算法對測試圖片進(jìn)行處理，得到測試圖片對應(yīng)的邊緣形狀特征向量；也可以先采用HOG算法對測試圖片進(jìn)行處理，得到測試圖片對應(yīng)的邊緣形狀特征向量，再采用設(shè)定的算法確定出測試圖片對應(yīng)的紋理特征向量。
[0063]本步驟中，將測試圖片的紋理特征向量和邊緣形狀特征向量組合成該測試圖片的特征向量的方式有很多種，最簡單的方式就是將測試圖片的紋理特征向量中的元素和邊緣形狀特征向量中的元素串聯(lián)在一起，形成新的向量即為該測試圖片的特征向量。當(dāng)然，本發(fā)明實施例也可以采用其他方式將測試圖片的紋理特征向量和邊緣形狀特征向量進(jìn)行組合。
[0064]步驟12、將該測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定該測試圖片中的人臉圖像所具有的屬性。
[0065]本步驟中，將該測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定該測試圖片中的人臉圖像所具有的屬性，其中，已存儲的各屬性對應(yīng)的特征向量的確定過程與測試圖片的特征向量的確定過程類似，每個特征對應(yīng)一個特征向量，將測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，就可以確定出該測試圖片中的人臉圖像所具有的屬性。
[0066]本發(fā)明實施例適用于確定測試圖片中的人臉圖像所具有的年齡、表情、性別等屬性。
[0067]本發(fā)明實施例中，將測試圖片劃分成多個不重疊的子圖片，并基于設(shè)定的算法進(jìn)行處理，確定出測試圖片對應(yīng)的紋理特征向量；且，將測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于分塊采用HOG算法進(jìn)行處理，得到測試圖片對應(yīng)的邊緣形狀特征向量；將測試圖片的紋理特征向量和邊緣形狀特征向量組合成該測試圖片的特征向量；以及將該測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定測試圖片中的人臉圖像所具有的屬性，由于本發(fā)明實施例通過對測試圖片劃分后的多個不重疊的子圖片進(jìn)行處理得到該測試圖片的紋理特征向量，以及對測試圖片劃分后的多個重疊的分塊進(jìn)行HOG處理得到該測試圖片的邊緣形狀特征向量，從而得到該測試圖片的特征向量，從而能夠提高人臉屬性估計的準(zhǔn)確度，提高人臉屬性估計的處理效率。
[0068]現(xiàn)有技術(shù)中，對于年齡估計來說，一般是基于主動形狀模型提取到的特征點(如鼻子、眼睛、嘴巴、眉毛等五官)的位置信息的關(guān)系來粗略的判斷目標(biāo)屬于成人還是兒童，但是如果人臉的角度發(fā)生變化，形狀特征也會發(fā)生變化，采用現(xiàn)有技術(shù)，對估計年齡不夠準(zhǔn)確。本發(fā)明不僅提取基于子圖片的人臉圖像的紋理特征，還提取基于分塊的方向梯度直方圖特征來提取邊緣形狀信息，不僅快速而且能提取局部信息，對人臉沒有對齊的情況也有很好的魯棒性。
[0069]在實施中，若需要確定測試圖片中的人臉圖像所具有的年齡屬性，則該方法在步驟11之前，還包括:
[0070]步驟10、對測試圖片進(jìn)行預(yù)處理，該預(yù)處理包括將測試圖片裁剪為僅包含人臉部區(qū)域，并將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸。
[0071]本發(fā)明通過實驗測試發(fā)現(xiàn)，對于人臉圖像來說，純臉部的區(qū)域?qū)Υ_定人臉圖像所具有的年齡屬性是有貢獻(xiàn)的，而其余的區(qū)域(如發(fā)型、裝飾等)會對確定人臉圖像所具有的年齡屬性產(chǎn)生負(fù)面影響，因此，步驟10中在獲取到測試圖片后，先對測試圖片進(jìn)行預(yù)處理，按照檢測出的人臉的比例和位置裁剪出純臉部區(qū)域，如圖2所示，獲取到的測試圖片為A，經(jīng)預(yù)處理后，裁剪出純臉部區(qū)域為B。
[0072]本發(fā)明實施例中，在步驟10之前，該方法還包括:將測試圖片轉(zhuǎn)換成灰度圖；或者，在步驟10之后，該方法還包括:將裁剪后的測試圖片轉(zhuǎn)換成灰度圖。
[0073]本步驟中，測試圖片可以是用戶發(fā)送的圖片(用戶可以通過網(wǎng)絡(luò)或直接輸入的方式提供測試圖片)，也可以是通過自身的圖像采集裝置采集到的人臉圖像。
[0074]本步驟中，將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸，以使該剪裁后的測試圖片的大小能與已存儲的各特征向量對應(yīng)的樣本圖片的大小相匹配，以提高屬性估計的精度。
[0075]相應(yīng)的，步驟11中對測試圖片的特征提取過程都是基于上述預(yù)處理后的測試圖片進(jìn)行的。
[0076]基于上述任一實施例，以LBP算法為例，本發(fā)明實施例中，將測試圖片劃分成多個不重疊的子圖片，并基于子圖片采用設(shè)定的算法進(jìn)行處理，確定出測試圖片對應(yīng)的紋理特征向量，具體過程如下:
[0077]先將測試圖片劃分成多個不重疊的子圖片，如圖3所示，優(yōu)選的，所劃分的每個子圖片均包含人臉的一個特征(如眉毛、眼睛、鼻子、嘴巴等)；然后，基于所劃分的子圖片，采用LBP算法進(jìn)行處理，得到各子圖片所包含的各像素點的LBP值，將該子圖片所包含的各像素點的LBP值進(jìn)行串聯(lián)，得到該子圖片的紋理特征向量；再將各子圖片的紋理特征向量進(jìn)行串聯(lián)，得到測試圖片對應(yīng)的紋理特征向量，即該紋理特征向量包含每個子圖片的每個像素點對應(yīng)的LBP值。
[0078]其中，LBP算法的主要思想是:對于每個子圖片中的像素點來說，我們根據(jù)與該像素點相鄰的8個像素點的灰度值以及該像素點的灰度值，確定該像素點對應(yīng)的LBP值，從而確定每個子圖片中各像素點的LBP值。舉例說明，以某一個像素點為例進(jìn)行說明，假設(shè)該像素點與該像素點相鄰的8個像素點的灰度值如表I所示:
[0079]表I
[0080]
【權(quán)利要求】
1.一種確定人臉圖像的屬性的方法，其特征在于，該方法包括: 將測試圖片劃分成多個不重疊的子圖片，并基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量；且將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用方向梯度直方圖HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量；并將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量； 將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的屬性。
2.如權(quán)利要求1所述的方法，其特征在于，基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量，包括: 基于所述子圖片采用局部二值模式LBP算法或基于伽柏Gabor特征的人臉識別算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量。
3.如權(quán)利要求1所述的方法，其特征在于，將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量，包括: 計算所述測試圖片中每個像素點的梯度方向值； 根據(jù)每個分塊所包含的各像素點的梯度方向值，確定每個分塊對應(yīng)的方向梯度直方圖信息，以形成每個分塊對應(yīng)的邊緣形狀特征向量； 確定劃分后的測試圖片的多個滑動窗，將每個滑動窗內(nèi)包含的分塊的邊緣形狀特征向量進(jìn)行串聯(lián)，得到每個滑動窗對應(yīng)的邊緣形狀特征向量，其中，每個滑動窗覆蓋至少兩個所述分塊； 將每個滑動窗的邊緣形狀特征向量進(jìn)行串聯(lián)，得到所述測試圖片對應(yīng)的邊緣形狀特征向量。
4.如權(quán)利要求1所述的方法，其特征在于，將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量，具體包括: 將所述紋理特征向量和所述邊緣形狀特征向量組合后的向量進(jìn)行降維處理；以及， 計算降維處理后的向量的子空間，并對所述降維處理后的向量進(jìn)行投影處理，得到所述測試圖片的特征向量。
5.如權(quán)利要求1所述的方法，其特征在于，將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的屬性，包括: 分別計算所述測試圖片的特征向量與已存儲的各特征向量的距離，將最小距離值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者， 分別計算所述測試圖片的特征向量與已存儲的各特征向量的相關(guān)系數(shù)，將最大相關(guān)系數(shù)值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者， 分別計算所述測試圖片的特征向量與已存儲的各特征向量的余弦夾角，將最大夾角值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性。
6.如權(quán)利要求1~5任一項所述的方法，其特征在于，根據(jù)以下步驟確定已存儲的各屬性對應(yīng)的特征向量:對于不同的屬性，均選取N個不同的樣本圖片，N為大于等于2的正整數(shù)； 對于每種屬性，確定該屬性對應(yīng)的N個樣本圖片對應(yīng)的特征向量，計算該N個樣本圖片對應(yīng)的特征向量的平均向量，將得到的平均向量作為該屬性對應(yīng)的特征向量。
7.如權(quán)利要求1~5任一項所述的方法，其特征在于，若需要確定所述測試圖片中的人臉圖像所具有的年齡屬性，所述方法包括: 將所述測試圖片進(jìn)行預(yù)處理，所述預(yù)處理包括將所述測試圖片裁剪為僅包含人臉部區(qū)域，并將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸； 將預(yù)處理后的測試圖片的特征向量與已存儲的各年齡的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的年齡屬性。
8.一種確定人臉圖像的屬性的設(shè)備，其特征在于，該設(shè)備包括: 特征提取模塊，用于將測試圖片劃分成多個不重疊的子圖片，并基于所述子圖片采用設(shè)定的算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量；且，將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用方向梯度直方圖HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量；并將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量； 特征匹配模塊，用于將所述測試圖片的特征向量與已存儲的各屬性對應(yīng)的特征向量進(jìn)行匹配，以確定所述 測試圖片中的人臉圖像所具有的屬性。
9.如權(quán)利要求8所述的設(shè)備，其特征在于，所述特征提取模塊具體用于: 基于所述子圖片采用局部二值模式LBP算法或基于伽柏Gabor特征的人臉識別算法進(jìn)行處理，確定出所述測試圖片對應(yīng)的紋理特征向量。
10.如權(quán)利要求8所述的設(shè)備，其特征在于，所述特征提取模塊將所述測試圖片劃分成多個具有重疊區(qū)域的分塊，并基于所述分塊采用HOG算法進(jìn)行處理，得到所述測試圖片對應(yīng)的邊緣形狀特征向量，包括: 計算所述測試圖片中每個像素點的梯度方向值；根據(jù)每個分塊所包含的各像素點的梯度方向值，確定每個分塊對應(yīng)的方向梯度直方圖信息，以形成每個分塊對應(yīng)的邊緣形狀特征向量；確定劃分后的測試圖片的多個滑動窗，將每個滑動窗內(nèi)包含的分塊的邊緣形狀特征向量進(jìn)行串聯(lián)，得到每個滑動窗對應(yīng)的邊緣形狀特征向量，其中，每個滑動窗覆蓋至少兩個所述分塊；將每個滑動窗的邊緣形狀特征向量進(jìn)行串聯(lián)，得到所述測試圖片對應(yīng)的邊緣形狀特征向量。
11.如權(quán)利要求8所述的設(shè)備，其特征在于，所述特征提取模塊將所述紋理特征向量和所述邊緣形狀特征向量組合成所述測試圖片的特征向量，包括: 將所述紋理特征向量和所述邊緣形狀特征向量組合后的向量進(jìn)行降維處理；以及，計算降維處理后的向量的子空間，并對所述降維處理后的向量進(jìn)行投影處理，得到所述測試圖片的特征向量。
12.如權(quán)利要求8所述的設(shè)備，其特征在于，所述特征匹配模塊具體用于: 分別計算所述測試圖片的特征向量與已存儲的各特征向量的距離，將最小距離值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者， 分別計算所述測試圖片的特征向量與已存儲的各特征向量的相關(guān)系數(shù)，將最大相關(guān)系數(shù)值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性；或者， 分別計算所述測試圖片的特征向量與已存儲的各特征向量的余弦夾角，將最大夾角值對應(yīng)的已存儲的特征向量對應(yīng)的屬性確定為所述測試圖片中的人臉圖像所具有的屬性。
13.如權(quán)利要求8~12任一項所述的設(shè)備，其特征在于，所述設(shè)備還包括: 訓(xùn)練模塊，用于對于不同的屬性，均選取N個不同的樣本圖片，N為大于等于2的正整數(shù)；對于每種屬性，確定該屬性對應(yīng)的N個樣本圖片對應(yīng)的特征向量，計算該N個樣本圖片對應(yīng)的特征向量的平均向量，將得到的平均向量作為該屬性對應(yīng)的特征向量； 存儲模塊，用于存儲所述訓(xùn)練模塊得到的各屬性對應(yīng)的特征向量。
14.如權(quán)利要求8~12任一項所述的設(shè)備，其特征在于，若需要確定所述測試圖片中的人臉圖像所具有的年齡屬性，所述設(shè)備還包括預(yù)處理模塊；其中: 所述預(yù)處理模塊用于:將所述測試圖片進(jìn)行預(yù)處理，所述預(yù)處理包括將所述測試圖片裁剪為僅包含人臉部區(qū)域，并將裁剪后的測試圖片設(shè)置成設(shè)定的尺寸； 所述特征匹配模塊具體用于:將預(yù)處理后的測試圖片的特征向量與已存儲的各年齡的特征向量進(jìn)行匹配，以確定所述測試圖片中的人臉圖像所具有的年齡屬性。
【文檔編號】G06K9/46GK103810490SQ201410051532
【公開日】2014年5月21日 申請日期:2014年2月14日 優(yōu)先權(quán)日:2014年2月14日
【發(fā)明者】辛帥, 王勇進(jìn), 周玉 申請人:海信集團(tuán)有限公司