CN108399375A - 一种基于联想记忆的身份识别方法 - Google Patents

一种基于联想记忆的身份识别方法 Download PDF

Info

Publication number
CN108399375A
CN108399375A CN201810123255.5A CN201810123255A CN108399375A CN 108399375 A CN108399375 A CN 108399375A CN 201810123255 A CN201810123255 A CN 201810123255A CN 108399375 A CN108399375 A CN 108399375A
Authority
CN
China
Prior art keywords
feature
face characteristic
characteristic
surrounding
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810123255.5A
Other languages
English (en)
Other versions
CN108399375B (zh
Inventor
余锦鸿
贾宝芝
梅海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Reconova Information Technology Co Ltd
Original Assignee
Xiamen Reconova Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Reconova Information Technology Co Ltd filed Critical Xiamen Reconova Information Technology Co Ltd
Priority to CN201810123255.5A priority Critical patent/CN108399375B/zh
Publication of CN108399375A publication Critical patent/CN108399375A/zh
Application granted granted Critical
Publication of CN108399375B publication Critical patent/CN108399375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Collating Specific Patterns (AREA)

Abstract

本发明涉及一种基于联想记忆的身份识别方法，其通过对已知人的认识记忆，将人脸特征与其形体特征、动作特征、周围参照特征进行绑定在一起并存储在记忆库中，在进行身份识别时通过人脸特征比对进行身份识别，当人脸特征不完整或者无人脸特征时，通过形体特征、动作特征以及周围参照特征比对，获取绑定的人脸特征，进而获取身份识别结果。本发明提供了一种有效的身份识别方法，提高了身份识别的效率。

Description

一种基于联想记忆的身份识别方法
技术领域
本发明涉及图像识别领域，具体涉及一种基于联想记忆的身份识别方法。
背景技术
人脸识别是基于人脸的脸部特征信息进行识别的一种生物识别技术，通过认得脸部识别进而实现对人的身份确认。但是很多时候，由于人在行走过程中有意或者无意的将脸避开摄像头的拍摄，这样会导致无法抓拍到人脸图，这样对未露出人脸的人没办法进行身份识别。
发明内容
本发明的目的是提供一种基于联想记忆的身份识别方法，当人脸图像不完整或无人脸图像，能够进行人的身份识别。
为实现上述目的，本发明采用的技术方案是：
一种基于联想记忆的身份识别方法，其具体包括以下步骤：
步骤1、模型训练
采集图像数据，并按照人脸特征、形体特征、动作特征、周围参照特征对图像数据进行标定，然后通过神经网络进行模型训练，得到人脸模型、动作模型、运动模型和周围参照模型；
步骤2、建立记忆库
通过人脸模型提取人脸特征，通过形体特征模型提取形体特征，通过动作模型提取动作特征，通过周围参照模型提取周围参照特征，然后将人脸特征、形体特征、动作特征和周围参照特征存储在记忆库中；
根据形体特征、动作特征和周围参照特征建立人的特征矩阵
然后将该特征矩阵与人脸特征进行关系绑定；其中，m为特征类别，n为每一类特征的状态；
步骤3、身份识别
步骤3.1、采集图像数据，然后通过人脸模型提取人脸特征，若提取不到人脸特征，进入步骤3.2；若提取到人脸特征，将该人脸特征与记忆库中的人脸特征进行比对，从而识别出其身份；
步骤3.2、对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，并根据该形体特征、动作特征和周围参照特征建立人的特征矩阵其中，m为特征类别，n为每一类特征的状态；
步骤3.3、获取特征矩阵B的线性回归直线lb，获取记忆库中的特征矩阵A的线性回归直线la，将la和lb在一个坐标系中建立直线交叉关系，得到未露脸人的特征矩阵与记忆库中已知人的特征矩阵的差异度r，其中，S1、S2为两直线la和lb相交部分面，S3为共有面；当差异度达到阈值时，从记忆库中获取与相应的特征矩阵A绑定的人脸特征，进而识别出人的身份。
所述步骤3.1中，在提取到人脸特征的同时，对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，对形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将其与人脸特征进行关系绑定。
在所述步骤3.3后增加步骤3.4，具体如下：
当身份识别成功，对步骤3.2中提取到的形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，并且从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将该特征矩阵与人脸特征进行关系绑定。
所述形体特征包括身高、三围、头型、发型、衣着风格、眼镜首饰的穿戴；所述动作特征包括步态、摆手角度和高度、行走肩膀晃动角度、手位摆放；所述周围参照特征包括周围的其他人、周围的宠物、是否抱婴。
采用上述方案后，本发明通过对已知人的认识记忆，将人脸特征与其形体特征、动作特征、周围参照特征进行绑定在一起并存储在记忆库中，在进行身份识别时通过人脸特征比对进行身份识别，当人脸特征不完整或者无人脸特征时，通过形体特征、动作特征以及周围参照特征比对，获取绑定的人脸特征，进而获取身份识别结果。本发明提高了身份识别的效率。此外，识别成功后，通过不断的强化学习更新记忆库中的形体特征、动作、周围参照特征，进一步保证身份识别的准确率。
附图说明
图1为本发明身份识别比对流程图；
图2为本发明记忆库中的人的特征矩阵线性回归图；
图3为本发明待识别的人的特征矩阵线性回归图；
图4为本发明特征矩阵比较图；
图5为本发明非人脸特征框图。
具体实施方式
如图1至图5所示，本发明揭示了一种基于联想记忆的身份识别方法，其具体包括以下步骤：
步骤1、模型训练
采集图像数据，并按照人脸特征、形体特征、动作特征、周围参照特征对图像数据进行标定，然后通过神经网络进行模型训练，得到人脸模型、动作模型、运动模型和周围参照模型。通过训练完成的人体特征模型，能够将人的人脸特征、动作特征、周围参照特征进行有效的检测。
形体特征包括身高、三围、头型、发型、衣着风格、眼镜首饰的穿戴。由于形体在短时间是很难改变的，决定了形体特征是联想识别的主要因素。如身高、三围、头型。发型短时间存在一定可能性的维持原状。衣着根据时间的长短而定，时间越短相同或相似的概率越大。这些短时间具有维持原状的形体特征，能作为联想识别的辅助因素。
动作特征包括步态、摆手角度和高度、行走肩膀晃动角度、手位摆放。动作特征是一个人的长期中的习惯产生的，并且在一定时间段内具有较高的相似性。每个人的步态、行走中的摆手高度不太一样。肩膀晃动是由于走动过程的步伐、身体重力等因素引起的，也因人而异，对于同一个人，相似度比较高。手位摆放，则体现在手的惯用动作，比如摸鼻、摸头、叉腰、手放于身后等。由于动作特征具有较高的相似性，因此可以作为联想记忆的重要因素。
周围参照特征包括周围的其他人、周围的宠物、是否抱婴。通常，人的出入都是和相识的群体一起的，例如同学、朋友、家人、婴孩等，所以当出现这个群体的个别成员的话，存在较大概率出现其本人。很多拥有宠物的人经常习惯带着自己的宠物出去逛街散步等，因此，一个相同的宠物旁边也增加了识别概率。
步骤2、建立记忆库
通过人脸模型提取人脸特征，通过形体特征模型提取形体特征，通过动作模型提取动作特征，通过周围参照模型提取周围参照特征，然后将人脸特征、形体特征、动作特征和周围参照特征存储在记忆库中。
通过形体特征、动作特征和周围参照特征建立人的特征矩阵
其中，m是矩阵的行，表示m类特征，n是矩阵的列，表示每一类特征在n种状态之下的不同呈现。然后将该特征矩阵与人脸特征进行关系绑定。如图2所示，矩阵A的线性回归图是一条线性回归直线la。
步骤3、身份识别
步骤3.1、采集图像数据，然后通过人脸模型提取人脸特征，若提取不到人脸特征，进入步骤3.2；若提取到人脸特征，将该人脸特征与记忆库中的人脸特征进行比对，从而识别出其身份；当提取到人脸特征时，同时对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，对形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将其与人脸特征进行关系绑定。
步骤3.2、对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，并根据该形体特征、动作特征和周围参照特征建立人的特征矩阵其中，m是矩阵的行，表示m类特征，n是矩阵的列，表示每一类特征在n种状态之下的不同呈现。如图3所示，矩阵B的线性回归是一条线性回归直线lb。
步骤3.3、通过矩阵回归直线la和lb在一个坐标系中建立直线交叉关系，S1、S2为两直线相交部分面，S3为共有面，通过
确定S1+S2所占的比例，r为未露脸人的特征与记忆库中已知人的非人脸特征比较的差异度，值越小则相似度越大。此差异度由外形特征、动作特征、周围参照人物特征的元素决定。对相似度达到预先设置的阈值的人，从而可以从记忆库中获得绑定的人脸特征，进而得出人的身份。
步骤3.4、当身份识别成功，对步骤3.2中提取到的形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，并且从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将该特征矩阵与人脸特征进行关系绑定。
本发明的关键在于，本发明首先通过识别人脸特征进行身份识别，当人脸特征不完整或者无人脸图像时，通过形体特征、动作特征和以及周围参照人和物特征进行身份识别，从而提高了身份识别的效率。
以上所述，仅是本发明实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (4)

1.一种基于联想记忆的身份识别方法，其特征在于：具体包括以下步骤：
步骤1、模型训练
采集图像数据，并按照人脸特征、形体特征、动作特征、周围参照特征对图像数据进行标定，然后通过神经网络进行模型训练，得到人脸模型、动作模型、运动模型和周围参照模型；
步骤2、建立记忆库
通过人脸模型提取人脸特征，通过形体特征模型提取形体特征，通过动作模型提取动作特征，通过周围参照模型提取周围参照特征，然后将人脸特征、形体特征、动作特征和周围参照特征存储在记忆库中；
根据形体特征、动作特征和周围参照特征建立人的特征矩阵 然后将该特征矩阵与人脸特征进行关系绑定；其中，m为特征类别，n为每一类特征的状态；
步骤3、身份识别
步骤3.1、采集图像数据，然后通过人脸模型提取人脸特征，若提取不到人脸特征，进入步骤3.2；若提取到人脸特征，将该人脸特征与记忆库中的人脸特征进行比对，从而识别出其身份；
步骤3.2、对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，并根据该形体特征、动作特征和周围参照特征建立人的特征矩阵其中，m为特征类别，n为每一类特征的状态；
步骤3.3、获取特征矩阵B的线性回归直线lb，获取记忆库中的特征矩阵A的线性回归直线la，将la和lb在一个坐标系中建立直线交叉关系，得到未露脸人的特征矩阵与记忆库中已知人的特征矩阵的差异度r，其中，S1、S2为两直线la和lb相交部分面，S3为共有面；当差异度达到阈值时，从记忆库中获取与相应的特征矩阵A绑定的人脸特征，进而识别出人的身份。
2.根据权利要求1所述的一种基于联想记忆的身份识别方法，其特征在于：所述步骤3.1中，在提取到人脸特征的同时，对人进行实时跟踪，采集图像数据，并通过形体模型、动作模型和周围参照模型获取其形体特征、动作特征和周围参照特征，对形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将其与人脸特征进行关系绑定。
3.根据权利要求1所述的一种基于联想记忆的身份识别方法，其特征在于：在所述步骤3.3后增加步骤3.4，具体如下：
当身份识别成功，对步骤3.2中提取到的形体特征、动作特征和周围参照特征进行强化学习并加入到记忆库中，并且从时间维度上对较早的记忆进行遗忘，重新构建新的特征矩阵，并将该特征矩阵与人脸特征进行关系绑定。
4.根据权利要求1所述的一种基于联想记忆的身份识别方法，其特征在于：所述形体特征包括身高、三围、头型、发型、衣着风格、眼镜首饰的穿戴；所述动作特征包括步态、摆手角度和高度、行走肩膀晃动角度、手位摆放；所述周围参照特征包括周围的其他人、周围的宠物、是否抱婴。
CN201810123255.5A 2018-02-07 2018-02-07 一种基于联想记忆的身份识别方法 Active CN108399375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810123255.5A CN108399375B (zh) 2018-02-07 2018-02-07 一种基于联想记忆的身份识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810123255.5A CN108399375B (zh) 2018-02-07 2018-02-07 一种基于联想记忆的身份识别方法

Publications (2)

Publication Number Publication Date
CN108399375A true CN108399375A (zh) 2018-08-14
CN108399375B CN108399375B (zh) 2020-10-13

Family

ID=63096335

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810123255.5A Active CN108399375B (zh) 2018-02-07 2018-02-07 一种基于联想记忆的身份识别方法

Country Status (1)

Country Link
CN (1) CN108399375B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111178252A (zh) * 2019-12-27 2020-05-19 东北大学 多特征融合的身份识别方法
CN111402027A (zh) * 2018-12-14 2020-07-10 马上消费金融股份有限公司 身份识别方法、商品贷审核方法、装置及终端设备
CN112288978A (zh) * 2020-10-23 2021-01-29 温州丰彩生态农业科技有限公司 一种基于大数据处理的葵花种植用防盗监控装置
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150110349A1 (en) * 2013-10-22 2015-04-23 Samsung Electronics Co., Ltd. Face tracking apparatuses and methods
CN106971157A (zh) * 2017-03-22 2017-07-21 重庆科技学院 基于多元线性回归联想记忆模型的指纹和人脸耦合识别方法
CN107492116A (zh) * 2017-09-01 2017-12-19 深圳市唯特视科技有限公司 一种基于多外观模型进行人脸跟踪的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150110349A1 (en) * 2013-10-22 2015-04-23 Samsung Electronics Co., Ltd. Face tracking apparatuses and methods
CN106971157A (zh) * 2017-03-22 2017-07-21 重庆科技学院 基于多元线性回归联想记忆模型的指纹和人脸耦合识别方法
CN107492116A (zh) * 2017-09-01 2017-12-19 深圳市唯特视科技有限公司 一种基于多外观模型进行人脸跟踪的方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111402027A (zh) * 2018-12-14 2020-07-10 马上消费金融股份有限公司 身份识别方法、商品贷审核方法、装置及终端设备
CN111178252A (zh) * 2019-12-27 2020-05-19 东北大学 多特征融合的身份识别方法
CN112288978A (zh) * 2020-10-23 2021-01-29 温州丰彩生态农业科技有限公司 一种基于大数据处理的葵花种植用防盗监控装置
CN112966638A (zh) * 2021-03-22 2021-06-15 国网浙江省电力有限公司电力科学研究院 基于多种特征的变电站作业人员鉴别及定位方法

Also Published As

Publication number Publication date
CN108399375B (zh) 2020-10-13

Similar Documents

Publication Publication Date Title
Kumar et al. Multimodal gait recognition with inertial sensor data and video using evolutionary algorithm
Mohan et al. Facial expression recognition using local gravitational force descriptor-based deep convolution neural networks
Majumder et al. Automatic facial expression recognition system using deep network-based data fusion
Sepas-Moghaddam et al. Deep gait recognition: A survey
Keskes et al. Vision-based fall detection using st-gcn
Connor et al. Biometric recognition by gait: A survey of modalities and features
Corneanu et al. Survey on rgb, 3d, thermal, and multimodal approaches for facial expression recognition: History, trends, and affect-related applications
Azzopardi et al. Fusion of domain-specific and trainable features for gender recognition from face images
CN108399375A (zh) 一种基于联想记忆的身份识别方法
CN108062170A (zh) 基于卷积神经网络和智能终端的多类别人体姿态识别方法
Yao et al. Robust CNN-based gait verification and identification using skeleton gait energy image
CN111414839A (zh) 基于姿态的情感识别方法及装置
Hu et al. Facial expression recognition based on fusion features of center-symmetric local signal magnitude pattern
Asif et al. Human gait recognition subject to different covariate factors in a multi-view environment
Hand et al. Attributes for improved attributes: A multi-task network for attribute classification
Li et al. Psychological and neural perspectives on human face recognition
Khan et al. Person identification using spatiotemporal motion characteristics
Lima et al. Simple and efficient pose-based gait recognition method for challenging environments
Nasir et al. ENGA: elastic net-based genetic algorithm for human action recognition
Hoshen et al. Egocentric video biometrics
CN108875496B (zh) 行人画像的生成及基于画像的行人识别
Ramu Reddy et al. Person identification in natural static postures using kinect
Wu et al. Spontaneous versus posed smile recognition via region-specific texture descriptor and geometric facial dynamics
Sisco et al. Face recognition using deep learning feature injection: An accurate hybrid network combining neural networks based on feature extraction with convolutional neural network
Bazazian et al. Context based gait recognition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An identification method based on associative memory

Effective date of registration: 20230217

Granted publication date: 20201013

Pledgee: Bank of China Limited Xiamen hi tech Park sub branch

Pledgor: XIAMEN RUIWEI INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2023980032829

PE01 Entry into force of the registration of the contract for pledge of patent right