[发明专利]一种人脸属性分析方法及装置

说明书

本申请实施例提供了一种人脸属性分析方法及装置，该方法包括：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；叠加基础二维人脸图像和渲染二维人脸图像，得到目标输入数据；将目标输入数据输入预设分析模型，得到目标人脸的多种预设人脸属性的目标属性值，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，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，以及每一样本人脸的多种预设人脸属性的样本属性值。应用本申请实施例提供的技术方案，提高了人脸属性分析的准确率。

技术领域

本申请涉及图像处理技术领域，特别是涉及一种人脸属性分析方法及装置。

背景技术

近年来，人脸属性分析在多媒体、社交网络、计算机视觉等领域有着非常广泛的应用。人脸属性分析可以理解为：分析人脸图像，给出对该人脸图像的属性值，比如“是否戴了眼镜”、“是否戴了帽子”、“是否微笑”等。但是，目前的人脸属性分析都是基于二维人脸图像，而二维人脸图像受人脸姿态、表情、光照等因素的不利影响，这导致人脸属性分析的准确率较低。

发明内容

本申请实施例的目的在于提供一种人脸属性分析方法及装置，以提高人脸属性分析的准确率。具体技术方案如下：

第一方面，本申请实施例提供了一种人脸属性分析方法，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。

可选的，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。

可选的，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。

可选的，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。

可选的，所述方法还包括：