一种基于深度学习的重身份识别方法技术

本发明专利技术涉及幼儿身份认证技术领域，尤其涉及一种基于深度学习的重身份识别方法，其中，包括模型训练过程：步骤A1，采集目标图像；步骤A2，采用第一检测模型检测目标图像的人脸特征与设定阈值比较，并对目标图像的人脸检测框分类，得到人脸检测框对应的身份信息；步骤A3，采用第二检测模型检测目标图像的人体特征；步骤A4，将人脸特征和人体特征匹配，将匹配成功的人体特征加入数据集中，形成训练数据集；步骤A5，采用训练数据集训练成重识别模型；身份识别过程包括：步骤B1，采集待识别图像；步骤B2，将待识别图像输入重识别模型中，识别对应的身份信息。有益效果：有效地识别出幼儿的身份信息，避免了人工标注过程，增强对待识别图像的处理能力。

【技术实现步骤摘要】
一种基于深度学习的重身份识别方法
本专利技术涉及幼儿身份认证
，尤其涉及一种基于深度学习的重身份识别方法。
技术介绍
随着社会的发展，各个公共场所的监控系统的逐渐完善，以及人们对公共场所下安全性越来越重视，尤其是对托育园的幼儿的安全问题越来越重视。由此，重识别技术也得到了迅速发展和广泛应用，重识别是一种在不同摄像头下或者同一个摄像头在相近的时间内拍摄的照片或视频来识别出不同角度或不同时刻所捕捉到的同一个人的方法。现有技术中，通过不依赖各种语义划分的手段，而是在空间上将输入图片划分成若干部分，假定某个图像中不同部分存在着一致性，利用这种一致性达到不同部分的对齐，但是这类方法容易受输入图像的质量的影响，对于不同体态的人物的输入图像，直观上看划分成固定数量的空间区域很难提取到一致的特征。同时，也要考虑划分后不同区域像素的个数的多少对训练过程产生的影响。因此，针对上述问题，成为本领域技术人员亟待解决的难题。
技术实现思路
针对现有技术中存在的上述问题，现提供一种基于深度学习的重身份识别方法。具体技术方案如下：本专利技术提供一种基于深度学习的重身份识别方法，其中，包括模型训练过程和身份识别过程：所述模型训练过程包括：步骤A1，采集复数个目标图像；步骤A2，采用一预先训练的第一检测模型检测得到所述目标图像中的人脸特征，并根据所述人脸特征与设定阈值的比较，分别对每个所述目标图像中的人脸检测框进行分类，从而识别得到每个所述人脸检测框所对应的身份信息；步骤A3，采用一预先训练的第二检测模型检测得到所述目标图像中的人体特征；步骤A4，将所述人脸特征和所述人体特征进行匹配，并将匹配成功的所述目标图像的人体特征辅以身份信息标注后加入一数据集中，以形成训练数据集；步骤A5，采用所述训练数据集训练形成一重识别模型，所述重识别模型的输入数据为采集得到的待识别图像，输出数据为识别所述待识别图像得到的身份信息；所述身份识别过程包括：步骤B1，采集得到待识别图像；步骤B2，将所述待识别图像输入至所述重识别模型中，以识别对应的身份信息并输出。优选的，于所述步骤A1中，通过在一重身份识别区域中部署至少一个摄像装置采集多个目标的多角度的所述目标图像。优选的，所述第一检测模型包括预先训练得到的人脸检测模型和人脸识别模型，所述人脸检测模型的输出作为所述人脸识别模型的输入。优选的，所述步骤A2包括：步骤A21，采用所述人脸检测模型分别提取每个所述目标图像中的人脸检测框并输入至所述人脸识别模型；步骤A22，采用所述人脸识别模型分别提取每个所述人脸检测框的人脸特征；步骤A23，采用所述人脸识别模型，根据所述人脸特征与所述设定阈值的比较，分别对每个所述人脸检测框进行分类，从而识别得到每个所述人脸检测框所对应的身份信息。优选的，所述步骤A4中，采用所述人脸检测框所对应的所述身份信息对所述数据集中的对应的所述人体检测框进行身份信息标注，从而形成所述训练数据集。优选的，所述步骤A5包括：步骤A51，提供一深度卷积网络，以提取所述训练数据集中的各个所述目标图像的全局特征图；步骤A52，将所述全局特征图进行划分，以获取复数个划分区域，并将所述重识别模型划分为分别对应所述划分区域的多个特征分类网络；步骤A53，在模型训练的过程中，对每个所述特征分类网络进行损失函数计算，并根据计算结果得到所述重识别模型的最终输入的损失值；步骤A54，根据所述损失值的目标约束训练得到最终的所述重识别模型。优选的，所述步骤A52中，对所述全局特征图进行划分的过程具体包括：步骤A521，确定对所述全局特征图进行划分得到的划分区域的数量；步骤A522，处理得到所述全局特征图中每个位置的列向量属于不同的所述划分区域的区域概率；步骤A523，针对每个所述划分区域：将每个位置的列向量与对应属于所述划分区域的所述区域概率的乘积之和作为所述划分区域的特征向量，以及将每个位置属于所述划分区域的所述区域概率之和作为所述划分区域的像素个数；步骤A524，依照每个所述划分区域的所述特征向量和所述像素个数，对所述全局特征图进行划分，以获取复数个所述划分区域。优选的，所述步骤A3包括：步骤A31，采用所述第二检测模型分别提取每个所述目标图像中的人体检测框；步骤A32，提取每个所述划分区域的分类网络，并进行归一化处理后进行拼接，以获取所述人体检测框的人体特征。优选的，所述步骤B2包括：步骤B21、提取所述待识别图像中的人体检测框，并分别采用每个所述特征分类网络处理得到所述人体检测框的特征分类特征，拼接所述分类特征得到所述人体检测框的综合特征；步骤B22、将所述综合特征的特征向量分别与所述重识别模型中预设的已标注有身份信息的不同类别的人体检测框的特征向量进行比对，以得到比对结果；步骤B23、根据所述比对结果，将与所述综合特征的特征向量之间的余弦距离最近的所述人体检测框所对应的身份信息输出为所述待识别图像的身份信息。本专利技术的技术方案的有益效果在于：通过模型训练过程获得重识别模型，再通过身份识别模型将待识别图像输入至重识别模型中，从而有效准确地识别出待识别图像中的幼儿的身份信息，避免了繁琐的针对重识别身份的人工标注过程，也不需要考虑嵌入其它方法进行语义上的划分时带来的数据集分布不一致问题，且增强了对输入的待识别图像的处理能力。附图说明参考所附附图，以更加充分的描述本专利技术的实施例。然而，所附附图仅用于说明和阐述，并不构成对本专利技术范围的限制。图1为本专利技术的实施例的模型训练过程步骤图；图2为本专利技术的实施例的身份识别过程步骤图；图3为本专利技术的实施例的A2步骤图；图4为本专利技术的实施例的A5步骤图；图5为本专利技术的实施例的A52步骤图；图6为本专利技术的实施例的A3步骤图；图7为本专利技术的实施例的B2步骤图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。本专利技术提供一种基于深度学习的重身份识别方法，其中，包括模型训练过程和身份识别过程：模型训练过程包括：步骤A1，采集复数个目标图像；步骤A2，采用一预先训练的第一检测模型检测得到目标图像中的人脸特征，并根据所述人脸特征与设定阈值的比较，分别对每个所述目标图像中的人脸检测框进行分类，从而本文档来自技高网...

【技术保护点】
1.一种基于深度学习的重身份识别方法，其特征在于，包括模型训练过程和身份识别过程：/n所述模型训练过程包括：/n步骤A1，采集复数个目标图像；/n步骤A2，采用一预先训练的第一检测模型检测得到所述目标图像中的人脸特征，并根据所述人脸特征与设定阈值的比较，分别对每个所述目标图像中的人脸检测框进行分类，从而识别得到每个所述人脸检测框所对应的身份信息；/n步骤A3，采用一预先训练的第二检测模型检测得到所述目标图像中的人体特征；/n步骤A4，将所述人脸特征和所述人体特征进行匹配，并将匹配成功的所述目标图像的人体特征辅以身份信息标注后加入一数据集中，以形成训练数据集；/n步骤A5，采用所述训练数据集训练形成一重识别模型，所述重识别模型的输入数据为采集得到的待识别图像，输出数据为识别所述待识别图像得到的身份信息；/n所述身份识别过程包括：/n步骤B1，采集得到所述待识别图像；/n步骤B2，将所述待识别图像输入至所述重识别模型中，以识别对应的身份信息并输出。/n

【技术特征摘要】
1.一种基于深度学习的重身份识别方法，其特征在于，包括模型训练过程和身份识别过程：
所述模型训练过程包括：
步骤A1，采集复数个目标图像；
步骤A2，采用一预先训练的第一检测模型检测得到所述目标图像中的人脸特征，并根据所述人脸特征与设定阈值的比较，分别对每个所述目标图像中的人脸检测框进行分类，从而识别得到每个所述人脸检测框所对应的身份信息；
步骤A3，采用一预先训练的第二检测模型检测得到所述目标图像中的人体特征；
步骤A4，将所述人脸特征和所述人体特征进行匹配，并将匹配成功的所述目标图像的人体特征辅以身份信息标注后加入一数据集中，以形成训练数据集；
步骤A5，采用所述训练数据集训练形成一重识别模型，所述重识别模型的输入数据为采集得到的待识别图像，输出数据为识别所述待识别图像得到的身份信息；
所述身份识别过程包括：
步骤B1，采集得到所述待识别图像；
步骤B2，将所述待识别图像输入至所述重识别模型中，以识别对应的身份信息并输出。


2.如权利要求1所述的重身份识别方法，其特征在于，于所述步骤A1中，通过在一重身份识别区域中部署至少一个摄像装置采集多个目标的多角度的所述目标图像。


3.如权利要求1所述的重身份识别方法，其特征在于，所述第一检测模型包括预先训练得到的人脸检测模型和人脸识别模型，所述人脸检测模型的输出作为所述人脸识别模型的输入。


4.如权利要求3所述的重身份识别方法，其特征在于，所述步骤A2包括：
步骤A21，采用所述人脸检测模型分别提取每个所述目标图像中的人脸检测框并输入至所述人脸识别模型；
步骤A22，采用所述人脸识别模型分别提取每个所述人脸检测框的人脸特征；
步骤A23，采用所述人脸识别模型，根据所述人脸特征与所述设定阈值的比较，分别对每个所述人脸检测框进行分类，从而识别得到每个所述人脸检测框所对应的身份信息。


5.如权利要求4所述的重身份识别方法，其特征在于，所述步骤A4中，采用所述人脸检测框所对应的所述身份信息对所述数据集中的对应的所述人体检测框进行身份信息标注，从而形成所述训练数据集。


6.如权利要求1所述的重身份识别方法...

【专利技术属性】
技术研发人员：姚思琼，
申请(专利权)人：上海一由科技有限公司，
类型：发明
国别省市：上海;31