面部多属性分析作为人脸分析的主要分支,具备重要的理论研究意义和应用价值,尤其是对自然环境下非约束人脸进行快速多属性识别,在公共安全监控、面部检索等领域中有着非常广阔的应用前景。传统的深度学习方法大多针对特定的单一面部属性,不仅在分析时需要额外的人脸图像预处理,而且单属性模型割裂了面部属性间潜在的相融相斥关系,同时复杂的模型和较慢的运算速度也限制了应用场景。针对这些亟待解决的问题,本文进行了如下创新工作:1、提出了云服务辅助的半自动化图像标注方法,标注了若干道路交通环境下的人脸图像,不仅使研究更贴近实际场景,同时也为后续研究提供了额外的训练数据。2、为了解决面部属性分析依赖人脸检测和对齐的问题,提出了面部检测和姿态分析融合模型。通过使用融合损失函数、分类训练数据及OHEM等训练策略,提升了模型在复杂环境中的鲁棒性。最后在FDDB、AFLW和Prima数据集上同现有算法进行对比分析,验证了本模型的优越性。3、综合分析面部多属性间潜在的相关性,改进多任务学习目标和实现网络,提出了基于多任务学习的面部多属性特征融合分析模型,实现了对非约束人脸的多属性快速分析预测。在CelebA和LFWA数据集上获得了优于大多数同类算法的精度,同时在运行速度上也有较大提升。4、针对道路交通场景,应用前文的研究成果,设计了基于面部多属性分析的驾驶员监控系统。通过对面部姿态及眼睛状态的分析统计,实现对驾驶员规范驾驶及疲劳驾驶的监控和预警。通过在YawDD数据集上的仿真测试,验证了系统的有效性。本文结合已有的研究成果进行了改进和创新,提出的模型不仅在低分辨率、复杂光照、局部遮挡等复杂现实环境中有良好的鲁棒性,而且具备极快的运行速度和精简的模型大小。本文的研究涉及面部区域检测、面部多属性分析与应用,贯穿完整的研究与应用流程,对面部多属性分析算法落地应用有积极的推动作用。