一种目标身份识别方法、装置以及存储介质制造方法及图纸

本发明专利技术提供一种目标身份识别方法、装置以及存储介质，属于图像识别技术领域，方法包括：S1：导入多个目标行人图片，分别对各个目标行人图片的人脸检测得到目标脸部图片；S2：分别对各个目标行人图片以及各个目标脸部图片的特征提取得到行人特征以及人脸特征；S3：构建训练模型，通过训练模型对多个行人特征以及多个人脸特征的身份识别分析得到目标身份识别结果。相比于现有的单用人脸或行人进行身份识别，本发明专利技术的目标身份识别准确率更高，且目标识别结果具有更强的可靠性，并且能够很好的适用于视频监控场景下，解决了不同质量特征对目标身份决策的影响不同的问题。标身份决策的影响不同的问题。标身份决策的影响不同的问题。

【技术实现步骤摘要】
一种目标身份识别方法、装置以及存储介质


[0001]本专利技术主要涉及图像识别
，具体涉及一种目标身份识别方法、装置以及存储介质。

技术介绍

[0002]在实际监控的“非配合”场景中，受到摄像头安装位置与角度、抓拍距离、目标活动及光线变化等现实因素的影响，造成单模态生物特征(如单幅正脸)中目标身份信息缺失而干扰信息增多，进而导致目标动态身份识别准确度急剧下降。研究者指出多模态特征融合通过将多个生物特征进行结合，能够获得更丰富的目标身份信息，从而缓解单模态特征目标身份识别准确度低的挑战。以往的基于特征融合的身份识别方法，如虹膜与指纹特征融合、人脸与掌纹特征融合、虹膜与指纹特征融合等，这些方法所使用的特征均无法在视频监控场景下提取。如何充分利用能够收集到的生物特征成为监控场景下目标动态身份识别的一个挑战。
[0003]同时，由于监控场景下受各种现实因素影响，所提取到的同一模态的特征质量差别巨大，例如完全清晰的正脸照片与戴口罩的侧脸照片，而不同质量的特征对目标身份决策的影响也会不同。

技术实现思路

[0004]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种目标身份识别方法、装置以及存储介质。
[0005]本专利技术解决上述技术问题的技术方案如下：一种目标身份识别方法，包括如下步骤：
[0006]S1：导入多个目标行人图片，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片；
[0007]S2：分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取，得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征；
[0008]S3：构建训练模型，通过所述训练模型对多个所述行人特征以及多个所述人脸特征进行身份识别分析，得到目标身份识别结果。
[0009]本专利技术解决上述技术问题的另一技术方案如下：一种目标身份识别装置，包括：
[0010]人脸检测模块，用于导入多个目标行人图片，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片；
[0011]特征提取模块，用于分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取，得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征；
[0012]身份识别结果获得模块，用于构建训练模型，通过所述训练模型对多个所述行人
特征以及多个所述人脸特征进行身份识别分析，得到目标身份识别结果。
[0013]本专利技术解决上述技术问题的另一技术方案如下：一种目标身份识别装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，当所述处理器执行所述计算机程序时，实现如上所述的目标身份识别方法。
[0014]本专利技术解决上述技术问题的另一技术方案如下：一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的目标身份识别方法。
[0015]本专利技术的有益效果是：通过分别对各个目标行人图片的人脸检测得到目标脸部图片，分别对各个目标行人图片以及各个目标脸部图片的特征提取得到行人特征以及人脸特征，构建训练模型，通过训练模型对多个行人特征以及多个人脸特征的身份识别分析得到目标身份识别结果，相比于现有的单用人脸或行人进行身份识别，本专利技术的目标身份识别准确率更高，且目标识别结果具有更强的可靠性，并且能够很好的适用于视频监控场景下，解决了不同质量特征对目标身份决策的影响不同的问题。
附图说明
[0016]图1为本专利技术实施例提供的一种目标身份识别方法的流程示意图；
[0017]图2为本专利技术实施例提供的一种目标身份识别装置的模块框图。
具体实施方式
[0018]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0019]图1为本专利技术实施例提供的一种目标身份识别方法的流程示意图。
[0020]如图1所示，一种目标身份识别方法，包括如下步骤：
[0021]S1：导入多个目标行人图片，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片；
[0022]S2：分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取，得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征；
[0023]S3：构建训练模型，通过所述训练模型对多个所述行人特征以及多个所述人脸特征进行身份识别分析，得到目标身份识别结果。
[0024]应理解地，所述目标行人图片为完整的，且包含目标人体的图片。
[0025]应理解地，采集目标行人图片P1(完整包含目标人体)(即多个所述目标行人图片)，并从行人图片P1(即所述目标行人图片)中完成目标脸部图片P2(即所述目标脸部图片)的提取，得到目标人脸(即所述目标行人图片)与行人数据(即所述目标脸部图片)。
[0026]上述实施例中，通过分别对各个目标行人图片的人脸检测得到目标脸部图片，分别对各个目标行人图片以及各个目标脸部图片的特征提取得到行人特征以及人脸特征，构建训练模型，通过训练模型对多个行人特征以及多个人脸特征的身份识别分析得到目标身份识别结果，相比于现有的单用人脸或行人进行身份识别，本专利技术的目标身份识别准确率更高，且目标识别结果具有更强的可靠性，并且能够很好的适用于视频监控场景下，解决了
不同质量特征对目标身份决策的影响不同的问题。
[0027]可选地，作为本专利技术的一个实施例，所述步骤S1中，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片的过程包括：
[0028]利用MTCNN人脸检测算法分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片。
[0029]应理解地，目标人脸与行人数据包括目标行人图片P1(即所述目标行人图片)与其对应的人脸图片P2(即所述目标脸部图片)，其中P2(即所述目标脸部图片)是利用MTCNN人脸检测算法将P1(即所述目标行人图片)中的人脸部分检测并提取所得到的。
[0030]应理解地，所述MTCNN人脸检测算法是为了兼顾性能和准确率，并避免滑动窗口加分类器等传统思路带来的巨大的性能消耗。其先使用小模型生成有一定可能性的目标区域候选框，然后在使用更复杂的模型进行细分类和更高精度的区域框回归，并且让这一步递归执行，以此思想构成三层网络，分别为P
‑
Net、R
‑
Net、O
‑
Net，实现快速高效的人脸检测。在输入层使用图像金字塔进行初始图像的尺度变换，并使用P
‑
Net生成大量的候选目标区域框，之后使用R
‑
Net对这些目标区域框进行第一次精选和边框回归，排除大部分的负例，然后再用更复杂的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标身份识别方法，其特征在于，包括如下步骤：S1：导入多个目标行人图片，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片；S2：分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取，得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征；S3：构建训练模型，通过所述训练模型对多个所述行人特征以及多个所述人脸特征进行身份识别分析，得到目标身份识别结果。2.根据权利要求1所述的目标身份识别方法，其特征在于，所述步骤S1中，分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片的过程包括：利用MTCNN人脸检测算法分别对各个所述目标行人图片进行人脸检测，得到与各个所述目标行人图片分别对应的目标脸部图片。3.根据权利要求1所述的目标身份识别方法，其特征在于，所述步骤S2的过程包括：基于PCB+RPP模型分别对各个所述目标行人图片进行行人特征提取，得到与各个所述目标行人图片对应的行人特征；基于insightface模型分别对各个所述目标脸部图片进行人脸特征提取，得到与各个所述目标脸部图片对应的人脸特征。4.根据权利要求1所述的目标身份识别方法，其特征在于，所述步骤S3的过程包括：构建全连接神经网络，通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理，得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量；对多个所述行人证据向量以及多个所述人脸证据向量进行总体意见向量的分析，得到总体意见向量，并将所述总体意见向量作为目标身份识别结果。5.根据权利要求4所述的目标身份识别方法，其特征在于，所述全连接神经网络包括多个全连接层和与所述全连接层数量对应的RELU激活层，且所述全连接层与所述RELU激活层交替连接；所述构建全连接神经网络，通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理，得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量的过程包括：S311：通过当前全连接层分别对各个所述行人特征以及各个所述人脸特征进行线性映射，得到与各个所述目标行人图片对应的映射后行人特征以及与各个所述目标脸部图片对应的映射后人脸特征；S312：通过当前RELU激活层分别对各个所述映射后行人特征以及各个所述映射后人脸特征进行非线性映射，并将非线性映射后的结果输入至下一全连接层中，并再次执行步骤S311，直至经过所有的全连接层以及所有的RELU激活层，从而得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量。6.根据权利要求4所述的目标身份识别方法，其特征在于，每个所述行人证据向量包括多个与待识别目标身份对应的行人证据值，每个所述人脸证据向量包括多个与待识别目标身份对应的人脸证据值，所述对多个所述行人证据向量以及多个所述人脸证据向量进行总体意见向量的分析，得到总体意见向量的过程包括：
通过第一式分别将各个所述行人证据值转换为狄利克雷分布，得到与各个所述待识别目标身份对应的行人狄利克雷分布，所述第一式为：其中，为第k个行人证据值，k为第k个待识别目标身份，为第k个行人狄利克雷分布；通过第二式分别将各个所述人脸证据值转换为狄利克雷分布，得到与各个所述待识别目标身份对应的人脸狄利克雷分布，所述第二式为：其中，为第k个人脸证据值，k为第k个待识别目标身份，为第k个人脸狄利克雷分布；通过第三式分别对各个所述人脸狄利克雷分布进行置信质量的计算，得到行人狄利克雷强度以及与各个所述待识别目标身份对应的行人置信质量，所述第三式为：其中，其中，为第k个行人置信质量，为第k个行人狄利克雷分布，为第i个行人狄利克雷分布，i为第i个目标行人图片，S1为行人狄利克雷强度，K为待识别目标身份总数；通过第四式分别对各个所述人脸狄利克雷分布进行置信质量的计算，得到人脸狄利克雷强度以及与各个所述待识别目标身份对应的人脸置信质量，所述第四式为：其中，其中，为第k个人脸置信质量，第k个人脸狄利克雷分布，为第i个人脸狄利克雷分布，i为第i个目标人脸图片，S2为人脸狄利克雷强度，K为待识别...

【专利技术属性】
技术研发人员：林乐平，陈锦威，蔡晓东，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：