身份识别方法、模型训练方法、装置、设备和存储介质制造方法及图纸

本发明专利技术实施例涉及安防监控领域，特别涉及一种身份识别方法、模型训练方法、装置、设备和存储介质。上述身份识别方法包括：获取监控场景内的视频图像；若检测到所述视频图像中出现目标人物，根据预先训练的多属性分类模型，确定所述目标人物的多种属性；其中，所述多属性分类模型根据预先构建的样本集训练得到，所述样本集包括若干标注有属性的图像；确定符合所述监控场景的进入条件的身份的标准属性；根据所述目标人物的多种属性和所述标准属性，识别所述目标人物的身份是否符合所述进入条件，旨在简化样本集的获取过程，降低模型过拟合的风险，提高模型的泛化能力以适应更多监控场景的监控需求。监控需求。监控需求。

【技术实现步骤摘要】
身份识别方法、模型训练方法、装置、设备和存储介质


[0001]本专利技术实施例涉及安防监控领域，特别涉及一种身份识别方法、模型训练方法、装置、设备和存储介质。

技术介绍

[0002]近年来，安防监控领域的技术取得了飞速发展，人物识别是安防监控领域的一个典型应用。有些场所仅允许特定身份并穿着特定服装的工作人员进入，不允许闲杂人等进入。如果该区域中出现不符合着装要求的人，需要报警。例如，在军事管辖区仅允许出现穿着指定服装的军人，当系统检测到着装不符合要求的人时，说明检测到了可疑人员，系统需要报警并请求工作人员对可疑人员的身份进行核实。使用传统的图像处理方法的身份识别系统精度较低，故现有的身份识别系统主要采用深度学习的方法。
[0003]目前，大多数深度学习系统都需要在每个应用场景中收集大量的数据作为训练集，并训练出一个适用于指定场景的模型。然而，这样的模型存在以下缺点：特定场景下样本集的获取非常困难，训练得到的模型容易过拟合，且模型的泛化能力较差，难以适应更多监控场景的监控需求。

技术实现思路

[0004]本申请实施例的主要目的在于提出一种身份识别方法、模型训练方法、装置、设备和存储介质，旨在简化样本集的获取过程，降低模型过拟合的风险，提高模型的泛化能力以适应更多监控场景的监控需求。
[0005]为实现上述目的，本申请实施例提供了一种身份识别方法，包括：获取监控场景内的视频图像；若检测到所述视频图像中出现目标人物，根据预先训练的多属性分类模型，确定所述目标人物的多种属性；其中，所述多属性分类模型根据预先构建的样本集训练得到，所述样本集包括若干标注有属性的图像；确定符合所述监控场景的进入条件的身份的标准属性；根据所述目标人物的多种属性和所述标准属性，识别所述目标人物的身份是否符合所述进入条件。
[0006]为实现上述目的，本申请实施例提供了一种多属性分类模型的训练方法，包括：获取公开的图像数据集；对所述图像数据集中满足预设标注条件的图像中的人物的多种属性进行标注，构建所述样本集；确定网络的结构，并配置所述网络的网络超参数；根据所述样本集训练配置有所述网络超参数的网络，得到所述多属性分类模型。
[0007]为实现上述目的，本申请实施例提供了一种多属性分类模型的训练装置，包括：获取模块，用于获取公开的图像数据集；标注模块，用于对所述图像数据集中满足预设标注条件的图像中的人物的多种属性进行标注，构建所述样本集；配置模块，用于确定网络的结构，并配置所述网络的网络超参数；训练模块，用于根据所述样本集训练配置有所述网络超参数的网络，得到所述多属性分类模型。
[0008]为实现上述目的，本申请实施例还提供了一种电子设备，包括：至少一个处理器；
以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的身份识别方法。
[0009]为实现上述目的，本申请实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的身份识别方法。
[0010]本申请实施例中，获取监控场景内的视频图像；若检测到视频图像中出现目标人物，根据预先训练的多属性分类模型，确定目标人物的多种属性；其中，多属性分类模型根据预先构建的样本集训练得到，样本集包括若干标注有属性的图像；确定符合监控场景的进入条件的身份的标准属性；根据目标人物的多种属性和标准属性，识别目标人物的身份是否符合进入条件。也就是说，相比于现有技术中适用于指定场景的模型，本实施例通过标准属性来定义符合监控场景的进入条件的身份，不同的监控场景可以定义不同的标准属性，从而使得本实施例中可以通过训练一个多属性分类模型来适应不同监控场景的监控需求，同一个多属性分类模型可以适用于不同的监控场景，有利于提高模型的泛化能力。而且无需在特定场景下获取训练数据以训练特定场景下的属性分类模型，从而有利于降低模型过拟合的风险，而且有利于避免在不容易获取训练数据的特定场景下获取训练数据，即在一定程度上简化了样本集的获取过程。
附图说明
[0011]图1是本申请第一实施例提到的身份识别方法的流程图；
[0012]图2是本申请第一实施例提到的多任务分类模型与现有技术中的单任务分类模型的示意图；
[0013]图3是本申请第二实施例提到的在多属性分类模型中引入注意力机制的示意图；
[0014]图4(a)是本申请第二实施例提到的标注的未进行标注的原图；
[0015]图4(b)是本申请第二实施例提到的用不同颜色标注的不同区域的示意图；
[0016]图5是本申请第二实施例提到的根据预先训练的多属性分类模型，确定目标人物的多种属性的实现方式的流程图；
[0017]图6是本申请第二实施例提到的上衣区域对应的掩码图像的示意图；
[0018]图7是本申请第三实施例提到的多属性分类模型的训练方法的流程图；
[0019]图8是本申请第四实施例提到的多属性分类模型的训练装置的示意图；
[0020]图9是本申请第五实施例提到的电子设备的结构示意图。
具体实施方式
[0021]为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请的各实施例进行详细的阐述。然而，本领域的普通技术人员可以理解，在本申请各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。以下各个实施例的划分是为了描述方便，不应对本申请的具体实现方式构成任何限定，各个实施例在不矛盾的前提下可以相互结合相互引用。
[0022]本申请实施例中考虑到相关技术中，大多数深度学习系统都需要在每个应用场景
中收集大量的数据作为训练集，并训练出一个适用于指定场景的模型。然而，本申请的专利技术人发现，这样的模型存在以下缺点：
[0023](1)特定场景下高质量样本集的获取非常困难，训练深度学习网络模型需要海量且多样化的数据。有些场所属于涉密场所，从这些涉密场所中能获取的数据量有限。同时，在特定场景下获取的数据的模式较为单一，多样性有限，不利于深度学习网络模型的训练，极易导致网络模型过拟合。
[0024](2)适用于指定场景的模型应用于指定场景中的精度较高，但如果切换到其他类似场景，模型可能会完全失效。例如，将应用于A医院资料室的模型迁移到B医院资料室，B医院工作人员制服的款式和颜色可能与A医院不同。但由于该模型仅关注A医院工作人员制服的特征，因此将该模型应用到B医院资料室时，模型可能会完全失效。如果需要将该模型应用于B医院，则需要在B医院资料室采集数据，并对模型进行重新训练。这限制了模型的规模化部署，模型的泛化能力较差。
[0025]为了解决上述的特定场景下样本集的获取非常困难，训练得到的模型容易过拟合，且模型的泛化能力较差的技术问题，本申请实施例提供如下的身份识别方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种身份识别方法，其特征在于，包括：获取监控场景内的视频图像；若检测到所述视频图像中出现目标人物，根据预先训练的多属性分类模型，确定所述目标人物的多种属性；其中，所述多属性分类模型根据预先构建的样本集训练得到，所述样本集包括若干标注有属性的图像；确定符合所述监控场景的进入条件的身份的标准属性；根据所述目标人物的多种属性和所述标准属性，识别所述目标人物的身份是否符合所述进入条件。2.根据权利要求1所述的身份识别方法，其特征在于，所述多属性分类模型通过以下训练方式训练得到：获取公开的图像数据集；对所述图像数据集中满足预设标注条件的图像中的人物的多种属性进行标注，构建所述样本集；确定网络的结构，并配置所述网络的网络超参数；根据所述样本集训练配置有所述网络超参数的网络，得到所述多属性分类模型。3.根据权利要求2所述的身份识别方法，其特征在于，所述对所述图像数据集中满足预设标注条件的图像中的人物的多种属性进行标注，构建所述样本集，包括：对所述图像数据集中满足预设标注条件的图像中的人物的多种属性和所述人物的不同区域进行标注，构建所述样本集；所述根据预先训练的多属性分类模型，确定所述目标对象的多种属性，包括：将所述视频图像输入所述多属性分类模型中的骨干网络，得到中间特征图；确定所述中间特征图中所述目标人物的不同区域对应的掩码图像；将所述不同区域对应的掩码图像应用到所述中间特征图，得到所述中间特征图中所述不同区域分别对应的目标区域特征图；根据所述不同区域分别对应的目标区域特征图，确定所述目标对象的多种属性。4.根据权利要求3所述的身份识别方法，其特征在于，所述将所述不同区域对应的掩码图像应用到所述中间特征图，得到所述中间特征图中所述不同区域分别对应的目标区域特征图，包括：将所述中间特征图分别与所述不同区域对应的掩码图像相乘，得到所述中间特征图中所述不同区域分别对应的目标区域特征图。5....

【专利技术属性】
技术研发人员：陆建国，刘明，申光，侯春华，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：