[发明专利]一种人脸属性分析方法及装置

权利要求书

1.一种人脸属性分析方法，其特征在于，所述方法包括：

获取目标人脸的基础二维人脸图像和基础三维人脸点云；

将所述基础三维人脸点云渲染到二维图像，得到渲染二维人脸图像；

叠加所述基础二维人脸图像和所述渲染二维人脸图像，得到目标输入数据；

将所述目标输入数据输入预设分析模型，得到所述目标人脸的多种预设人脸属性的目标属性值，所述预设分析模型为利用预设训练集对预设神经网络进行训练得到的模型，所述预设训练集包括多个样本人脸的样本二维人脸图像和样本三维人脸点云，以及每一所述样本人脸的多种预设人脸属性的样本属性值。

2.根据权利要求1所述的方法，其特征在于，所述将所述基础三维人脸点云渲染到二维图像，得到渲染二维人脸图像的步骤，包括：

利用标准迭代最近点算法，将所述基础三维人脸点云对齐到统一模板，得到标准三维人脸点云；

利用深度缓冲算法，将所述标准三维人脸点云渲染到二维图像，得到渲染二维人脸图像。

3.根据权利要求2所述的方法，其特征在于，所述利用深度缓冲算法，将所述标准三维人脸点云渲染到二维图像，得到渲染二维人脸图像的步骤，包括：

对所述标准三维人脸点云中每一顶点的三维坐标进行归一化处理，得到每一顶点的归一化坐标；

将所述每一顶点的归一化坐标转换为每一顶点的像素值；

利用深度缓冲算法，基于所述每一顶点的像素值，将所述标准人脸点云渲染到二维图像，得到渲染二维人脸图像。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取多个初始人脸的初始二维人脸图像以及每一所述初始人脸的初始身份信息；

获取预设结构的初始神经网络，所述初始神经网络包括多个卷积层和所述多个卷积层之后连接的多个第一全连接层；

利用多个所述初始二维人脸图像和每一所述初始二维人脸图像对应的初始身份信息，训练所述初始神经网络包括的所述多个卷积层和所述多个第一全连接层；

当所述多个卷积层和所述多个第一全连接层收敛后，结束训练，获取所述预设神经网络，所述预设神经网络包括所述多个卷积层和所述多个卷积层之后分别连接的多组第二全连接层，所述多组第二全连接层的组数与所述多种预设人脸属性的数量相同。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取预设训练集，所述预设训练集包括多个样本人脸的样本二维人脸图像和样本三维人脸点云，以及每一所述样本人脸的多种预设人脸属性的样本属性值；

获取所述预设神经网络；

利用多个所述样本二维人脸图像和多个所述样本三维人脸点云，以及每一所述样本人脸的所述多种预设人脸属性的样本属性值，训练所述预设神经网络包括的所述多组第二全连接层；

当所述预设神经网络包括的所述多组第二全连接层收敛后，结束训练，得到所述预设分析模型。

6.根据权利要求5所述的方法，其特征在于，所述当所述预设神经网络包括的所述多组第二全连接层收敛后，结束训练，得到所述预设分析模型的步骤，包括：

当所述预设神经网络包括的所述多组第二全连接层收敛后，使用预设学习率，利用多个所述样本二维人脸图像和多个所述样本三维人脸点云，以及每一所述样本人脸的所述多种预设人脸属性的样本属性值，训练所述预设神经网络包括的所述多个卷积层和所述多组第二全连接层，所述预设学习率小于预设阈值；

当所述预设神经网络包括的所述多个卷积层和所述多组第二全连接层收敛后，结束训练，得到所述预设分析模型。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述预设训练集包括多个分数据列表，所述分数据列表与所述预设人脸属性的属性值一一对应，每一所述分数据列表包括具有该分数据列表对应的预设人脸属性的属性值的样本二维人脸图像和样本三维人脸点云；每一所述分数据列表的输入批量数目相同；或者

所述预设训练集包括一个总数据列表，所述总数据列表包括每一预设人脸属性的属性值的样本二维人脸图像和样本三维人脸点云的数目相同。