CN110443137B - 多维度身份信息识别方法、装置、计算机设备及存储介质 - Google Patents

多维度身份信息识别方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN110443137B
CN110443137B CN201910601411.9A CN201910601411A CN110443137B CN 110443137 B CN110443137 B CN 110443137B CN 201910601411 A CN201910601411 A CN 201910601411A CN 110443137 B CN110443137 B CN 110443137B
Authority
CN
China
Prior art keywords
identified
identity information
preset
judging
identification
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.)
Active
Application number
CN201910601411.9A
Other languages
English (en)
Other versions
CN110443137A (zh
Inventor
方成银
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.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen 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 Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN201910601411.9A priority Critical patent/CN110443137B/zh
Publication of CN110443137A publication Critical patent/CN110443137A/zh
Priority to PCT/CN2020/098801 priority patent/WO2021000829A1/zh
Application granted granted Critical
Publication of CN110443137B publication Critical patent/CN110443137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • 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
    • G06V40/10—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
    • G06V40/168—Feature extraction; Face representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本申请提出了一种多维度身份信息识别方法、装置、计算机设备及存储介质，在进行视频中目标对象的追踪识别时，在获取目标对象的预设待识别多维度身份信息之后，根据预设待识别多维度身份信息以及通过目标检测算法对视频中的待识别对象进行身份信息的识别，得到预设待识别多维度身份信息在待识别对象上对应的识别概率，最后根据识别概率判定待识别对象与目标对象是否匹配。本申请在人脸识别条件不理想的情况下，通过相对较易获得的待识别多维度身份信息对待识别对象进行快速甄别，并对不同类别的待识别身份信息做了相应的权重区分，提高了在复杂场景下的识别速度和精度。

Description

多维度身份信息识别方法、装置、计算机设备及存储介质
技术领域
本申请涉及到目标识别领域，特别是涉及到一种多维度身份信息识别方法、装置、计算机设备及存储介质。
背景技术
现有的在视频中进行目标识别捕捉的应用中，基本上都是采用人脸识别的方法对目标对象进行追踪，对于视频中人脸的姿态光照等场景要求较高，对视频的清晰度也有很高要求，在识别条件不理想的情况下，由于人脸的特征差异较小，因此对设备要求高，且误识率高，不利于在复杂场景下进行使用，识别速度不够快速。
发明内容
本申请的主要目的为提供一种多维度身份信息识别方法、装置、计算机设备及存储介质，对视频中待识别对象的身份进行快速甄别，提高复杂场景下的目标识别速度。
本申请提出一种多维度身份信息识别方法，包括：
根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；
根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息；在第一预设判定表中，预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；
根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
进一步地，根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率的步骤，包括：
通过图像分割算法将待识别对象从待识别视频的背景中进行分离；
对分离后的待识别对象进行部位关键点检测，并根据部位关键点对待识别对象进行识别区域分割，识别区域包括头部、上半身和下半身；
在识别区域内识别各自对应类别的待识别身份信息，并得出识别概率。
进一步地，根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息的步骤，包括：
根据识别概率的对应类别在第一预设判定表中查找对应的判定条件；判定条件包括识别概率在对应类别下的预设概率阈值；
将识别概率与预设概率阈值进行比较；预设概率阈值包括第一预设概率阈值以及第二预设概率阈值；
若识别概率高于第一预设概率阈值，则根据第一判定结果判定识别到对应类别的待识别身份信息；
若识别概率高于第二预设概率阈值，且低于第一预设概率阈值，则根据第一判定结果判定不确定是否识别到对应类别的待识别身份信息；
若识别概率低于第二预设概率阈值，则根据第一判定结果判定未识别到对应类别的待识别身份信息。
进一步地，通过预设统计规则对多个第一判定结果进行统计的步骤，包括：
根据预设统计规则，若根据第一判定结果判定识别到待识别身份信息，则对其统计评分的赋值为A；若根据第一判定结果判定不确定是否识别到待识别身份信息，则对其统计评分的赋值为B；若根据第一判定结果判定未识别到待识别身份信息，则对其统计评分的赋值评分为C；
将所有第一判定结果的统计评分进行叠加计算，得出统计结果。
进一步地，将所有第一判定结果的统计评分进行叠加计算，得出统计结果的步骤，包括：
获取不同类别的预设待识别多维度身份信息在预设权重分配表中的各自对应的统计权重；
根据第一公式将所有第一判定结果的统计评分进行叠加计算，得出统计结果；其中，第一公式为：
P＝W1*A+W2*B+W3*C；
W1、W2和W3为不同类别的预设待识别多维度身份信息对应的统计权重。
进一步地，获取不同类别的预设待识别多维度身份信息在预设权重分配表中对应的统计权重的步骤，包括：
根据预设待识别多维度身份信息的类别获取预关联的当前环境因素，当前环境因素包括当前气温、当前空气质量、当前可见度、当前地理位置、距离地面高度中的一种或多种环境因素的组合；其中，不同类别的预设待识别多维度身份信息预关联的当前环境因素不完全相同；
根据预设待识别多维度身份信息的类别以及当前环境因素在预设权重分配表中确定对应的统计权重；在预设权重分配表中对应预设待识别多维度身份信息的类别设置了多个环境因素阈值范围，不同的环境因素阈值范围对应不同的统计权重。
进一步地，在根据目标检测算法对视频中的待识别对象进行身份信息识别，并分别得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率的步骤之前，还包括：
通过接收预设待识别多维度身份信息的输入设定指令或通过目标检测算法对指定的目标对象进行身份信息识别，得到预设待识别多维度身份信息。
本申请还提出了一种多维度身份信息识别装置，包括：
识别模块，用于根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；
第一查找模块，用于根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息；在第一预设判定表中预先设定了识别概率的判定条件，其中，不同类别的预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；
第二查找模块，用于根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
本申请还提出了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述中任一项方法的步骤。
本申请还提出了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述中任一项的方法的步骤。
本申请与现有技术相比，有益效果是：本申请提出了一种多维度身份信息识别方法、装置、计算机设备及存储介质，在进行视频中目标对象的追踪识别时，在获取目标对象的预设待识别多维度身份信息之后，根据该预设待识别多维度身份信息以及通过目标检测算法对视频中的待识别对象进行身份信息的识别，得到预设待识别多维度身份信息在待识别对象上对应的识别概率，最后根据识别概率判定待识别对象与目标对象是否匹配。本申请在人脸识别条件不理想的情况下，通过相对较易获得的待识别多维度身份信息对待识别对象进行快速甄别，并对不同类别的待识别身份信息做了相应的权重区分，提高了在复杂场景下的识别速度和精度。
附图说明
图1为本申请一实施例中多维度身份信息识别方法的步骤示意图；
图2为本申请一实施例中多维度身份信息识别装置的模块示意图；
图3为本申请一实施例中计算机设备的模块示意框图；
图4为本申请一实施例中存储介质的模块示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
下面将结合本申请实施例中的附图，对本申请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申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，本申请实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变，的连接可以是直接连接，也可以是间接连接。
另外，在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
参照图1，本申请在一实施例中提出了一种多维度身份信息识别方法，包括如下步骤：
S1：根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；
S2：根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的待识别身份信息；在第一预设判定表中，预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；
S3：根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
在上述步骤实施时，本发明方法在对待识别视频中的待识别对象进行身份识别时，并不直接对待识别对象的人脸进行识别，而是先将获取的预设待识别多维度身份信息作为目标对象的一个身份信息，以便对目标对象进行鉴别，然后通过目标检测算法对待识别对象进行识别，并分别得出待识别对象在不同维度上的待识别身份信息所对应的识别概率，最后根据得出的识别概率在预设判定表中查找对应的判定结果，以判定待识别对象是否匹配获取的身份标签，也即是判定待识别对象是否为目标对象。其中待识别多维度身份信息主要包括人体特征维度以及衣物维度，人体特征维度即是指的是人体本身所具有的特征信息，其下包括了多个不同类别的待识别身份信息，例如性别、年龄、体型、头发等；而衣物维度即指的是目标对象的衣着，其下也包括了多个不同类别的待识别身份信息，例如帽子、眼镜、上衣、裤子和鞋子中的一种或多种。
在一个具体的实施例中，例如获取的待识别多维度身份信息为“男，35岁，短发，红色帽子，蓝色上衣，黑色裤子”，其中“男，35岁，短发”即是人体特征维度上三个不同类别的待识别身份信息，“红色帽子，蓝色上衣，黑色裤子”即是衣物维度上三个不同类别的待识别身份信息，根据目标检测算法对视频中的待识别对象进行待识别多维度身份信息的识别筛选，分别得出待识别对象在不同维度上的不同类别待识别身份信息的识别概率。
例如对于待识别对象的性别检测可以采用基于特征脸的性别识别算法、基于Fisher准则的性别识别方法和基于Adaboost(Adaptive Boosting，自适应增强)+SVM(support vector machine，支持向量机)的人脸性别分类算法等，从而确定视频中的待识别对象的性别是否与获取的待识别身份信息一致。
对于待识别对象的年龄检测，则可以采用融合LBP(局部二值化模式)和HOG(梯度直方图)特征的人脸年龄估计算法提取与年龄变化关系紧密的人脸的局部统计特征，并用CCA(典型相关分析)的方法融合，最后通过SVR(支持向量机回归)的方法进行年龄估计，从而确定视频中的待识别对象的年龄是否与获取的待识别身份信息一致。由于对于年龄的精准识别对图像质量具有较高要求，且误差率可能较大，不利于对待识别视频中待识别对象进行快速筛选，因此可将对年龄的识别分成年龄段，例如“儿童”、“少年”、“青年”、“中年”和“老年”等，将关于年龄精准识别的回归问题转化成年龄段识别的分类问题，提高识别速度，减少识别误差率。
对于待识别对象的衣物颜色检测，则可以采用RGB模型或HSV模型进行识别，例如将待识别图像通过cvtColor(imgOriginal,imgHSV,COLOR_BGR2HSV)；转化成HSV模型，然后对彩色图像做直方图均衡化，接着再进行颜色检测，例如用void inRange(InputArraysrc,InputArray lowerb,InputArray upperb,OutputArray dst)；函数进行颜色检测，这个函数的作用就是检测src图像的每一个像素是不是在lowerb和upperb之间，如果是，这个像素就设置为255，并保存在dst图像中，否则为0；通过函数就可以得到目标颜色的二值图像，接着对二值图像进行开操作，删除噪点，再使用闭操作，连接连通域，根据得到的数值就可以检测出待识别对象衣物的具体颜色，从而确定视频中的待识别对象的衣物颜色是否与获取的待识别身份信息一致。进一步地，还可以通过对图像纹理进行检测，从而得知待识别对象身上的衣物材质。
在以上的目标检测算法中，根据检测算法的向量机输出的实际上都是属于对待识别对象的分类概率，都为一个数字，例如在性别识别中，即是属于“男”或“女”的二分类问题，检测算法在检测时得到的结果实际上是识别概率，例如待识别对象为“男”的识别概率是“0.78”，为女的识别概率是“0.22”，则输出结果为(男，0.78；女，0.22)，因此判定该带识别对象的性别为男；再例如上衣颜色为“红色”的识别概率为“0.6”，为“黄色”的识别概率为“0.1”，为“蓝色”的识别概率为“0.08”，为“绿色”的识别概率为“0.12”，为“橙色”的识别概率为“0.1”，则输出结果为(红色，0.6；黄色，0.1；蓝色，0.08；绿色，0.12；黄色，0.1)，因此判定该带识别对象的上衣颜色为红色。由此对视频中的待识别对象进行各种维度的待识别身份信息的识别，并得出各个类别的待识别身份信息相应的识别概率。
得出不同类别的待识别身份信息相应的识别概率之后，根据识别概率在第一预设判定表中查找对应的第一判定结果，以判定是否识别到待识别多维度身份信息，在第一预设判定表中预先设定了识别概率的判定条件，其中，不同类别的待识别身份信息所对应的判定条件不同。在一个具体的实施例中，例如待识别身份信息为“男，35岁，短发，红色帽子，蓝色上衣，黑色裤子”统计得出一待识别对象的在不同类别的待识别身份信息识别概率分别为“男,0.85”,“青年,0.78”,“红色帽子,0.7”,“蓝色上衣,0.4”,“黑色裤子,0.68”，则按照得出的各项识别概率在第一预设判定列表中进行查找，例如在预设判定列表中，关于性别的预设概率阈值为0.8，即若性别为男的识别概率大于等于0.8，则根据该判定条件得到第一判定结果为该待识别对象的性别为男；关于年龄的预设概率阈值为0.65，即若年龄为青年的识别概率大于等于0.65，则根据该判定条件得到第一判定结果为该待识别对象的青年，其他维度下不同类别的待识别身份信息也是同理。
根据各项类别待识别身份信息的识别概率在第一预设判定列表中查找到对应的第一判定结果后，通过预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配。在第二预设判定表中预设了不同统计结果对应的第二判定结果，第二判定结果包括“匹配”、“不匹配”以及“不确定”三种不同的结果。在一个具体的实施例中，预设统计规则只是统计第一判定结果中“是”或者“否”的个数，以及各个识别概率的具体数值，其中第一判定结果若为识别到该类别的待识别身份信息，则为“是”，若为未识别到该类别的待识别身份信息，则为“否”，根据统计结果中第一判定结果为“是”和“否”的个数，在第二预设判定表中查找对应的第二判定结果，在一个具体的实施例中，例如只有所有类别的待识别身份信息的第一判定结果都通过，即为“是”之后，才判定识别到目标对象的身份标签，在第二预设判定表中查找到对应的第二判定结果为“匹配”，判定该待识别对象与目标对象相匹配。在另一个具体的实施例中，例如有五项不同类别的待识别身份信息，基于识别存在一定误差的考虑，若其中四项不同类别的待识别身份信息的第一判定结果都为“是”，就判定该待识别对象与目标对象相匹配；进一步地，对于剩下的最后一项判定结果不通过的待识别身份信息可以做其他要求，例如限定其识别概率要处于“0.3-0.7”之间，能够在其他四项不同类别的待识别身份信息的第一判定结果通过的前提下，起到一个辅助参考的作用；又例如，可以设定其在第二预设判定表中查找到对应的第二判定结果为“不确定”，用户根据该第二判定结果可将待识别对象标记为疑似目标对象。
在一个较优的实施例中，根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率的步骤S1，包括：
S11：通过图像分割算法将待识别对象从待识别视频的背景中进行分离；
S12：对分离后的待识别对象进行部位关键点检测，并根据部位关键点对待识别对象进行识别区域分割，识别区域包括头部、上半身和下半身；
S13：在识别区域内识别各自对应类别的待识别身份信息，并得出识别概率。
在上述步骤实施时，对待识别视频中的待识别对象进行相应的待识别身份信息识别检测时，首先将待识别对象从待识别视频的背景中进行分离，即只对待识别对象进行检测，而不对视频背景进行检测，以减少检测运算量。具体地，可以采用图像分割算法将待识别对象从待识别视频的背景中进行分离，例如基于阈值的分割的固定阈值分割、直方图双峰法、OTSU法(最大类间方差法)等；基于边缘检测方法的各种边缘检测算子；基于区域分割的区域生长法、分裂合并法和分水岭分割方法等；基于图论分割的Normalized Cuts算法，Graph Cuts算法，Superpixel lattice算法等；基于能量泛函的分割方法、基于小波的分割方法以及基于神经网络的分割方法等。
将待识别对象从视频背景中分离出来后，对分离后的待识别对象进行部位关键点检测并进行识别区域分割，识别区域包括头部、上半身和下半身，例如头部和上半身间的颈部即为一个部位关键点，上半身与下半身之间的腰部也是一个部位关键点，手部、肘部、肩膀、胸部、脸部等也为部位关键点，通过对待识别对象进行多个部位关键点的检测构建，将待识别对象分为三个识别区域，包括头部、上半身和下半身，以便后续对每个识别区域内对应维度的待识别身份信息进行识别。在一个具体的实施例中，可以采用haar cascade(哈尔梯级)对待识别对象的头部、上半身和下半身分别进行检测。
将待识别对象划分为不同的识别区域后，在识别区域内识别对应类别的待识别身份信息，并得出识别概率。在一个具体的实施例中，在对“红色帽子”这一衣物维度上的待识别身份信息进行识别时，首先确认识别区域为待识别对象的头部区域，然后检测待识别对象的头部是否戴有帽子，若戴有帽子，则检测该帽子是否为红色，从而得出“红色帽子”的识别概率。在一个实施例中，若识别到“戴有帽子”的识别概率为0.9，且识别到“红色”的概率为0.8，则对应“红色帽子”的识别概率为0.9×0.8＝0.72。在另一个实施例中，也可以通过若识别到“戴有帽子”的识别概率大于等于0.9，则直接判定对应“红色帽子”的识别概率即为识别到“红色”的概率为0.8，并不对其概率计算做特殊限定。对于在其他识别区域内，例如在下半身识别区域中对黑色裤子的识别也是同理，计算识别概率时并不做特殊限定。
在一个较优的实施例中，根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息的步骤S2，包括：
S21：根据识别概率的对应类别在第一预设判定表中查找对应的判定条件；判定条件包括识别概率在对应类别下的预设概率阈值；
S22：将识别概率与预设概率阈值进行比较；预设概率阈值包括第一预设概率阈值以及第二预设概率阈值；
S23：若识别概率高于第一预设概率阈值，则根据第一判定结果判定识别到对应类别的待识别身份信息；
S24：若识别概率高于第二预设概率阈值，且低于第一预设概率阈值，则根据第一判定结果判定不确定是否识别到对应类别的待识别身份信息；
S25：若识别概率低于第二预设概率阈值，则根据第一判定结果判定未识别到对应类别的待识别身份信息。
在上述步骤实施时，由于在第一预设判定表中，预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同，因此先根据识别概率的对应类别在第一预设判定表中查找对应的判定条件，以确定针对给类别的识别概率如何判定，该判定条件包括识别概率在对应类别下的预设概率阈值。
然后将识别概率与查找到的预设概率阈值进行比较，若高于第一预设概率阈值，则判定识别到该类别的待识别身份信息；若高于第二预设概率阈值，且低于第一预设概率阈值，则判定不确定是否识别到该类别的待识别身份信息；若低于第二预设概率阈值，则判定未识别到该类别的待识别身份信息。在一个具体的实施例中，待识别身份信息的类别不同，相应的其预设概率阈值也会有所不同，例如在对待识别对象进行年龄识别时，由于年龄识别需要相对较为清晰的脸部图像，对图像质量要求较高，且误差率也相对较大，则其第一预设概率阈值可以设置的低一些，例如为0.7；而在对待识别对象进行长短裤的识别或者是否有戴眼镜的识别时，由于长裤与短裤之间的差别较大，戴眼镜与不戴眼镜也差别较大，且检测时对于图像质量的要求相对没那么高，因此可以将其第一预设概率阈值设置得高一些，例如为0.9。通过对不同类别的待识别身份信息赋予不同的预设概率阈值，误差率较高的则预设概率阈值低一些，误差率低的则预设概率阈值高一些，能够尽可能快速的对待识别对象做出判定，确定其是否与获取的待识别身份信息相符，同时尽量减少检测误差。
进一步地，将第一判定结果分为识别到待识别身份信息、不确定是否识别到待识别身份信息以及未识别到待识别身份信息三类，而不是简单做是与否的二分处理，使得在进行综合判定时能够更加灵活处理。例如，例如有五项不同类别的待识别身份信息，基于识别存在一定误差的考虑，在其中四项不同类别的待识别身份信息的第一判定结果为识别到对应类别的待识别身份信息之后，就判定该待识别对象与目标对象相符合；进一步地，对于剩下的最后一项第一判定结果不通过的待识别身份信息可以做其他要求，例如限定其第一判定结果要为不确定是否识别到对应类别的待识别身份信息，能够在其他四项不同类别的待识别身份信息的第一判定结果为识别到对应类别的待识别身份信息的前提下，起到一个辅助参考的作用。如此设置，在图像质量不是那么理想的情况下，那些识别难度较高、检测误差率较大的某些类别身份信息仍旧能够起到一个辅助参考的作用，而不仅仅是作为未识别到对应类别的待识别身份信息的第一判定结果被否决，能够尽可能快速的对待识别对象做出准确判定，确定其是否与获取的待识别多维度身份信息相符，同时尽量减少检测误差。
在一个较优的实施例中，通过预设统计规则对多个第一判定结果进行统计的步骤S3，包括：
S31：根据预设统计规则，若根据第一判定结果判定识别到待识别身份信息，则对其统计评分的赋值为1；若根据第一判定结果判定不确定是否识别到待识别身份信息，则对其统计评分的赋值为0；若根据第一判定结果判定未识别到待识别身份信息，则对其统计评分的赋值评分为-1；
S32：将所有第一判定结果的统计评分进行叠加计算，得出统计结果。
在上述步骤实施时，为了让第一判定结果有一个更加直观的判定手段，对于不同的第一判定结果赋予一个相对应的统计评分，例如评分A、评分B和评分C。在一个具体的实施例中，若根据第一判定结果判定识别到待识别身份信息，则对其统计评分的赋值为1(A)；若根据第一判定结果判定不确定是否识别到待识别身份信息，则对其统计评分的赋值为0(B)；若根据第一判定结果判定未识别到待识别身份信息，则对其统计评分的赋值为-1(C)。通过对不同的第一判定结果赋予一个相对应的数字统计评分，使判定结果更加直观，易于统计。
得出所有第一判定结果的统计评分之后，将所有第一判定结果的统计评分进行叠加计算，得出统计结果，该统计结果即为一个直观的分数值，分数值越高，则待识别对象与目标对象的匹配程度就越高。然后根据该分数值在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配。在一个具体的实施例中，在第二预设判定表中，预设了一定的分数值阈值，当统计结果大于预设分数值阈值时，即查找到待识别对象与目标对象相匹配的第二判定结果。
在一个较优的实施例中，将所有第一判定结果的统计评分进行叠加计算，得出统计结果的步骤S32，包括：
S321：获取不同类别的待识别身份信息在预设权重分配表中的各自对应的统计权重；
S322：根据第一公式将所有第一判定结果的统计评分进行叠加计算，得出统计结果；其中，第一公式为：
P＝W1*A+W2*B+W3*C；
W1、W2和W3为不同类别的预设待识别多维度身份信息对应的统计权重。
在上述步骤实施时，得出所有第一判定结果各自对应的数字统计评分之后，将所有第一判定结果的统计评分按照第一公式进行叠加，得出统计结果，其中不同类别待识别身份信息的判定结果具有各自对应的统计权重。在一个具体的实施例中，假设有四个不同类别的待识别身份信息为A1、A2、A3、A4，定义其在识别概率的统计结果中的统计权重分别为W1、W2、W3、W4，相应的第一判定结果的统计评分为：1、0、-1、1，则该待识别对象与获取的待识别身份信息相符的概率P＝W1–W3+W4，最后将该概率P与预设概率阈值比较，若超过预设概率阈值，则认为该待识别对象与获取的待识别身份信息相符，否则认为该待识别对象与获取的待识别身份信息不符。待识别身份信息的类别不同，相应的其统计权重也会有所不同，例如在对待识别对象进行年龄识别时，由于年龄识别需要相对较为清晰的脸部图像，对图像质量要求较高，且误差率也相对较大，则其统计权重可以设置的低一些，例如为0.2；而在对待识别对象进行长短裤的识别或者是否有戴眼镜的识别时，由于长裤与短裤之间的差别较大，戴眼镜与不戴眼镜也差别较大，且检测时对于图像质量的要求相对没那么高，因此可以将其统计权重设置得高一些，例如为0.5，多种不同类别的待识别身份信息的其统计权重总和为1。通过对不同类别的待识别身份信息赋予不同的统计权重，误差率较高的则统计权重低一些，误差率低的则统计权重高一些，在进行统计判定结果时，着重参考误差率较低的待识别身份信息，将误差率较高的待识别身份信息带来的误差影响降到最低，从而能够尽可能快速的对待识别对象做出准确判定，确定其是否与获取的待识别身份信息相符，同时尽量减少检测误差。
在一个较优的实施例中，获取不同类别的预设待识别多维度身份信息在预设权重分配表中对应的统计权重的步骤，包括：
S3211：根据预设待识别多维度身份信息的类别获取预关联的当前环境因素，当前环境因素包括当前气温、当前空气质量、当前可见度、当前地理位置、距离地面高度中的一种或多种环境因素的组合；其中，不同类别的预设待识别多维度身份信息预关联的当前环境因素不完全相同；
S3212：根据预设待识别多维度身份信息的类别以及当前环境因素在预设权重分配表中确定对应的统计权重；在预设权重分配表中对应预设待识别多维度身份信息的类别设置了多个环境因素阈值范围，不同的环境因素阈值范围对应不同的统计权重。
在上述步骤实施时，在一个具体的实施例中，设备先根据预设待识别多维度身份信息的类别获取预关联的当前环境因素，然后根据预设待识别多维度身份信息的类别以及当前环境因素在预设权重分配表中确定对应的统计权重。例如设备对实时视频进行检测或者对某些特定的视频进行检测时，可以通过获取的当前环境因素来确定不同维度身份信息对应的统计权重，当前环境因素包括当前气温、当前空气质量、当前可见度、当前地理位置、距离地面高度中的一种或多种环境因素的组合。设备在进行检测识别时，可以通过网络进行获取当前环境因素，该获取方式可以是设备通过网络进行主动查找，例如当前气温、当前空气质量、当前地理位置等当前环境因素，也可以是设备通过网络接收用户输入的当前环境因素。设备还可以通过传感器获取当前环境因素，例如在获取距离地面高度这一当前环境因素时，通过摄像头上的距离传感器测量来获取摄像头与地面的距离高度。其中，不同类别的预设待识别多维度身份信息预关联的当前环境因素不完全相同，例如裤子的长短主要和当前气温具有关联关系，因此裤长这一类别的预设待识别多维度身份信息预关联的当前环境因素就包括当前气温，而是否戴眼镜以及发长这一类别的预设待识别多维度身份信息与当前气温并不具有关联关系，因此其预关联的当前环境因素就不包括当前气温；再例如鞋子颜色这一类别的预设待识别多维度身份信息与当前空气质量、当前可见度、当前地理位置等当前环境因素之间的关联关系并不大，但是与距离地面高度这一当前环境因素关联关系较大，因此其预关联的当前环境因素就包括距离地面高度。
在获取到预关联的当前环境因素之后，根据预设待识别多维度身份信息的类别以及当前环境因素在预设权重分配表中确定对应的统计权重；在预设权重分配表中对应预设待识别多维度身份信息的类别设置了多个环境因素阈值范围，不同的环境因素阈值范围对应不同的统计权重。例如当获取到当前气温为0℃时，虽然在对待识别对象进行长短裤的识别时其识别误差率较低，但是由于在气温为0℃时，人们基本上都是穿着长裤，筛选意义较小，因此当待识别身份信息为长裤时，则自动降低其统计权重，例如为0.1；而当在当前气温为0℃时，且待识别身份信息为短裤时，由于此时基本很少人会穿着短裤，短裤具有较为显著的筛选意义，则自动提高其统计权重，例如为0.7，而在当前气温为30℃时，长裤与短裤二者的统计权重占比则会反过来，由于此时穿短裤的人较为普遍，而穿长裤的则相对较少，长裤的统计权重较高，短裤的统计权重则较低；而对于是否有戴眼镜的待识别身份信息，由于是否戴眼镜与当前气温关系不大，因此其统计权重不因当前气温的变化而变化。在又一个具体的实施例中，对于“蓝色鞋子”这一维度的待识别身份信息，由于在视频中鞋子一般占比较小，其图像清晰度一般较差，且由于视频摄像头的高度一般较高，鞋子不太容易拍摄清晰，因此对于“蓝色鞋子”的识别结果，其统计权重一般较低，例如为0.1，但是若获取到该摄像头距离地面高度较近，例如为1米，此时在视频中则能够获得较为清晰的鞋子影像，则自动提高其统计权重，例如为0.5.对于其他类型的当前环境因素也是同理，当当前环境因素对某一维度的待识别身份信息的识别具有积极影响时，则自动提高其统计权重；当当前环境因素对某一维度的待识别身份信息的识别具有消极影响时，则自动降低其统计权重；当当前环境因素对某一维度的待识别身份信息的识别无影响时，则根据预设统计权重确定其统计权重或者对其进行平均分配统计权重。通过获取预关联当前环境因素以及其所处的预设阈值范围，确定不同维度身份信息对应的统计权重，赋予筛选意义较高的待识别身份信息以较高的统计权重，筛选意义较低的待识别身份信息以较低的统计权重，尽量提高筛选速度，从而能够尽可能快速的对待识别对象做出准确判定，确定其是否与获取的待识别身份信息相符，同时尽量减少检测误差。
在一个较优的实施例中，在根据目标检测算法对视频中的待识别对象进行身份信息识别，并分别得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率的步骤S1之前，还包括：
S01：通过接收预设待识别多维度身份信息的输入设定指令或通过目标检测算法对指定的目标对象进行身份信息识别，得到预设待识别多维度身份信息。
在上述步骤实施时，在对待识别视频进行检测时，首先需要确定目标对象的预设待识别多维度身份信息。在一个具体的实施例中，在用户了解如何精确输入设定指令或者没有目标对象的图像以供识别时，设备可以通过有线或者无线的通讯方式接收用户的待识别多维度身份信息的输入设定指令，以确定所要进行检测的待识别身份信息。在另一个具体的实施例中，当用户不清楚该如何输入对应维度的待识别身份信息或者设备不能接收输入的待识别身份信息时，用户可以指定一个特定识别对象作为目标对象，然后设备可以通过目标检测算法对特定识别对象进行身份信息识别以主动获取待识别多维度身份信息。具体到实际应用中，设备通过对用户指定的图像进行检测识别，例如对特定识别对象的全身照进行检测识别，得出特定识别对象的性别、年龄、体型、衣服等待识别多维度身份信息作为预设待识别多维度身份信息，然后根据识别出的预设待识别多维度身份信息到视频中进行检测识别，找寻与该待识别多维度身份信息相符的待识别对象，即是通过该待识别多维度身份信息，在视频中检测与图像中的特定识别对象相符的人物。
参照图2，本申请还提出了一种多维度身份信息识别装置，包括：
识别模块10，用于根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；
第一查找模块20，用于根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息；在第一预设判定表中预先设定了识别概率的判定条件，其中，不同类别的预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；
第二查找模块30，用于根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
其中上述模块10-30分别用于执行的操作与前述实施方式的多维度身份信息识别方法的步骤一一对应，在此不再赘述。
进一步地，对应前述实施方式的多维度身份信息识别方法的细分步骤，上述模块10-30相应的包含了子模块、单元或子单元，用于执行前述多维度身份信息识别方法的细分步骤，在此也不再赘述。
参照图3，本申请还提出了一种计算机设备，包括存储器1003和处理器1002，存储器1003存储有计算机程序1004，处理器1002执行计算机程序1004时实现上述中任一项方法的步骤，包括：根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息；在第一预设判定表中，预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
参照图4，本申请还提出了一种计算机存储介质2001，其上存储有计算机程序2002，计算机程序2002被处理器执行时实现上述中任一项的方法的步骤，包括：根据目标检测算法对视频中的待识别对象进行身份信息识别，得出待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率；其中，预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；预设待识别多维度身份信息为目标对象对应的身份信息，M和N均为正整数；根据识别概率在第一预设判定表中查找对应的第一判定结果，以根据第一判定结果判定是否识别到对应类别的预设待识别多维度身份信息；在第一预设判定表中，预设待识别多维度身份信息的类别不同，则识别概率对应的判定条件也不完全相同；根据预设统计规则对多个第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定待识别对象是否与目标对象相匹配；在第二预设判定表中预设了不同统计结果对应的第二判定结果。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种多维度身份信息识别方法，其特征在于，包括：
接收预设待识别多维度身份信息的输入设定指令或通过目标检测算法对指定的目标对象进行身份信息识别，得到所述预设待识别多维度身份信息；
根据目标检测算法对视频中的待识别对象进行身份信息识别，得出所述待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率； 其中，所述预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；所述预设待识别多维度身份信息为目标对象对应的身份信息，所述M和N均为正整数；
根据所述识别概率在第一预设判定表中查找对应的第一判定结果，以根据所述第一判定结果判定是否识别到对应类别的所述预设待识别多维度身份信息；在所述第一预设判定表中，所述预设待识别多维度身份信息的类别不同，则所述识别概率对应的判定条件也不完全相同；
根据预设统计规则对多个所述第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定所述待识别对象是否与所述目标对象相匹配；在所述第二预设判定表中预设了不同所述统计结果对应的所述第二判定结果；
所述根据预设统计规则对多个所述第一判定结果进行统计的步骤，包括：
根据所述预设统计规则，若根据所述第一判定结果判定识别到所述待识别身份信息，则对其统计评分的赋值为A；若根据所述第一判定结果判定不确定是否识别到所述待识别身份信息，则对其统计评分的赋值为B；若根据所述第一判定结果判定未识别到所述待识别身份信息，则对其统计评分的赋值评分为C；
将所有所述第一判定结果的所述统计评分进行叠加计算，得出所述统计结果。
2.根据权利要求1所述的多维度身份信息识别方法，其特征在于，所述根据目标检测算法对视频中的待识别对象进行身份信息识别，得出所述待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率的步骤，包括：
通过图像分割算法将所述待识别对象从待识别视频的背景中进行分离；
对分离后的所述待识别对象进行部位关键点检测，并根据所述部位关键点对所述待识别对象进行识别区域分割，所述识别区域包括头部、上半身和下半身；
在所述识别区域内识别各自对应类别的所述待识别身份信息，并得出对应的所述识别概率。
3.根据权利要求1所述的多维度身份信息识别方法，其特征在于，所述根据所述识别概率在第一预设判定表中查找对应的第一判定结果，以根据所述第一判定结果判定是否识别到对应类别的所述预设待识别多维度身份信息的步骤，包括：
根据所述识别概率的对应类别在所述第一预设判定表中查找对应的判定条件；所述判定条件包括所述识别概率在对应类别下的预设概率阈值；
将所述识别概率与所述预设概率阈值进行比较；所述预设概率阈值包括第一预设概率阈值以及第二预设概率阈值；
若所述识别概率高于所述第一预设概率阈值，则根据所述第一判定结果判定识别到对应类别的所述待识别身份信息；
若所述识别概率高于第二预设概率阈值，且低于所述第一预设概率阈值，则根据所述第一判定结果判定不确定是否识别到对应类别的所述待识别身份信息；
若所述识别概率低于所述第二预设概率阈值，则根据所述第一判定结果判定未识别到对应类别的所述待识别身份信息。
4.根据权利要求1所述的多维度身份信息识别方法，其特征在于，所述将所有所述第一判定结果的所述统计评分进行叠加计算，得出所述统计结果的步骤，包括：
获取不同类别的所述预设待识别多维度身份信息在预设权重分配表中对应的统计权重；
根据第一公式将所有所述第一判定结果的所述统计评分进行叠加计算，得出所述统计结果；其中，所述第一公式为：
P=W1*A+W2*B+W3*C;
所述W1、W2和 W3为不同类别的所述预设待识别多维度身份信息对应的所述统计权重。
5.根据权利要求4所述的多维度身份信息识别方法，其特征在于，所述获取不同类别的所述预设待识别多维度身份信息在预设权重分配表中对应的统计权重的步骤，包括：
根据所述预设待识别多维度身份信息的类别获取预关联的当前环境因素，所述当前环境因素包括当前气温、当前空气质量、当前可见度、当前地理位置、距离地面高度中的一种或多种环境因素的组合；其中，不同类别的所述预设待识别多维度身份信息预关联的所述当前环境因素不完全相同；
根据所述预设待识别多维度身份信息的类别以及所述当前环境因素在所述预设权重分配表中确定对应的所述统计权重；在所述预设权重分配表中对应所述预设待识别多维度身份信息的类别设置了多个环境因素阈值范围，不同的所述环境因素阈值范围对应不同的所述统计权重。
6.一种多维度身份信息识别装置，其特征在于，包括：
识别模块，用于接收预设待识别多维度身份信息的输入设定指令或通过目标检测算法对指定的目标对象进行身份信息识别，得到所述预设待识别多维度身份信息；
根据目标检测算法对视频中的待识别对象进行身份信息识别，得出所述待识别对象在预设待识别多维度身份信息的所有类别上对应的识别概率； 其中，所述预设待识别多维度身份信息包括人体特征维度中N个类别的第一待识别身份信息以及衣物维度中M个类别的第二待识别身份信息；所述预设待识别多维度身份信息为目标对象对应的身份信息，所述M和N均为正整数；
第一查找模块，用于根据所述识别概率在第一预设判定表中查找对应的第一判定结果，以根据所述第一判定结果判定是否识别到对应类别的所述预设待识别多维度身份信息；在所述第一预设判定表中预先设定了所述识别概率的判定条件，其中，不同类别的所述预设待识别多维度身份信息的类别不同，则所述识别概率对应的判定条件也不完全相同；
第二查找模块，用于根据预设统计规则对多个所述第一判定结果进行统计，并根据统计结果在第二预设判定表中查找对应的第二判定结果，以判定所述待识别对象是否与所述目标对象相匹配；在所述第二预设判定表中预设了不同所述统计结果对应的所述第二判定结果；
根据所述预设统计规则，若根据所述第一判定结果判定识别到所述待识别身份信息，则对其统计评分的赋值为A；若根据所述第一判定结果判定不确定是否识别到所述待识别身份信息，则对其统计评分的赋值为B；若根据所述第一判定结果判定未识别到所述待识别身份信息，则对其统计评分的赋值评分为C；
将所有所述第一判定结果的所述统计评分进行叠加计算，得出所述统计结果。
7.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
8.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
CN201910601411.9A 2019-07-03 2019-07-03 多维度身份信息识别方法、装置、计算机设备及存储介质 Active CN110443137B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910601411.9A CN110443137B (zh) 2019-07-03 2019-07-03 多维度身份信息识别方法、装置、计算机设备及存储介质
PCT/CN2020/098801 WO2021000829A1 (zh) 2019-07-03 2020-06-29 多维度身份信息识别方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910601411.9A CN110443137B (zh) 2019-07-03 2019-07-03 多维度身份信息识别方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN110443137A CN110443137A (zh) 2019-11-12
CN110443137B true CN110443137B (zh) 2023-07-25

Family

ID=68428507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910601411.9A Active CN110443137B (zh) 2019-07-03 2019-07-03 多维度身份信息识别方法、装置、计算机设备及存储介质

Country Status (2)

Country Link
CN (1) CN110443137B (zh)
WO (1) WO2021000829A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443137B (zh) * 2019-07-03 2023-07-25 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质
WO2021098486A1 (zh) * 2019-11-22 2021-05-27 重庆海尔洗衣机有限公司 衣物颜色识别的处理方法、装置、设备及存储介质
CN111222856A (zh) * 2020-01-15 2020-06-02 深信服科技股份有限公司 一种邮件识别方法、装置、设备及存储介质
CN112966142A (zh) * 2021-04-20 2021-06-15 南京云玑信息科技有限公司 一种准确率与识别速度提高的优化方法
CN113591539B (zh) * 2021-06-01 2024-04-16 中国电子科技集团公司第三研究所 一种目标识别方法、装置及可读存储介质
CN113343934A (zh) * 2021-07-14 2021-09-03 华东理工大学 一种基于局部图像差异分析的手部饰品检测方法
CN117421729B (zh) * 2023-12-18 2024-04-26 湖南森鹰科技有限公司 一种自动化程序攻击检测方法、装置、系统及介质
CN117558035B (zh) * 2024-01-11 2024-04-16 中国刑事警察学院 一种基于图像技术的人物身份识别系统及方法
CN117934158A (zh) * 2024-03-13 2024-04-26 湖南三湘银行股份有限公司 一种基于rpa的信贷资料自动审查方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018192406A1 (zh) * 2017-04-20 2018-10-25 腾讯科技（深圳）有限公司 身份验证方法及装置、存储介质
CN109117801A (zh) * 2018-08-20 2019-01-01 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN109948481A (zh) * 2019-03-07 2019-06-28 惠州学院 一种基于窄带射频链路采样的无源人体识别方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8488023B2 (en) * 2009-05-20 2013-07-16 DigitalOptics Corporation Europe Limited Identifying facial expressions in acquired digital images
JP4800979B2 (ja) * 2007-02-01 2011-10-26 株式会社豊田中央研究所 対象物検出装置、対象物検出方法、及びプログラム
US8107726B2 (en) * 2008-06-18 2012-01-31 Samsung Electronics Co., Ltd. System and method for class-specific object segmentation of image data
CN106503687B (zh) * 2016-11-09 2019-04-05 合肥工业大学 融合人脸多角度特征的监控视频人物身份识别系统及其方法
JP2018120644A (ja) * 2018-05-10 2018-08-02 シャープ株式会社 識別装置、識別方法およびプログラム
CN110443137B (zh) * 2019-07-03 2023-07-25 平安科技（深圳）有限公司 多维度身份信息识别方法、装置、计算机设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018192406A1 (zh) * 2017-04-20 2018-10-25 腾讯科技（深圳）有限公司 身份验证方法及装置、存储介质
CN109117801A (zh) * 2018-08-20 2019-01-01 深圳壹账通智能科技有限公司 人脸识别的方法、装置、终端及计算机可读存储介质
CN109948481A (zh) * 2019-03-07 2019-06-28 惠州学院 一种基于窄带射频链路采样的无源人体识别方法

Also Published As

Publication number Publication date
CN110443137A (zh) 2019-11-12
WO2021000829A1 (zh) 2021-01-07

Similar Documents

Publication Publication Date Title
CN110443137B (zh) 多维度身份信息识别方法、装置、计算机设备及存储介质
JP7132387B2 (ja) 画像処理装置、画像処理方法およびプログラム
CN109558810B (zh) 基于部位分割与融合目标人物识别方法
US8861801B2 (en) Facial image search system and facial image search method
CN112016445B (zh) 一种基于监控视频的遗留物检测方法
CN108805900B (zh) 一种跟踪目标的确定方法及装置
CN108197587A (zh) 一种通过人脸深度预测进行多模态人脸识别的方法
CN105488490A (zh) 基于视频的审判员着装检测方法
JP6254836B2 (ja) 画像検索装置、画像検索装置の制御方法およびプログラム
JP2000003452A (ja) デジタル画像における顔面の検出方法、顔面検出装置、画像判定方法、画像判定装置およびコンピュ―タ可読な記録媒体
CN108629319B (zh) 图像检测方法及系统
CN109271932A (zh) 基于颜色匹配的行人再识别方法
Halstead et al. Locating people in video from semantic descriptions: A new database and approach
CN105069816B (zh) 一种进出口人流量统计的方法及系统
Galiyawala et al. Person retrieval in surveillance video using height, color and gender
US20140016831A1 (en) Apparatus for retrieving information about a person and an apparatus for collecting attributes
CN112507978B (zh) 人物属性识别方法、装置、设备及介质
CN111126102A (zh) 人员搜索方法、装置及图像处理设备
Hu et al. Fast face detection based on skin color segmentation using single chrominance Cr
Das et al. Human face detection in color images using HSV color histogram and WLD
Jin et al. Safety helmet detection algorithm based on color and hog features
WO2023093241A1 (zh) 行人重识别方法及装置、存储介质
CN109858308B (zh) 视频检索装置、视频检索方法和存储介质
CN117152787A (zh) 一种人物服饰识别方法、装置、设备和可读存储介质
Dutra et al. Re-identifying people based on indexing structure and manifold appearance modeling

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