CN111368628B - 一种基于视频数据的身份认证方法与系统 - Google Patents

一种基于视频数据的身份认证方法与系统 Download PDF

Info

Publication number
CN111368628B
CN111368628B CN201911146275.5A CN201911146275A CN111368628B CN 111368628 B CN111368628 B CN 111368628B CN 201911146275 A CN201911146275 A CN 201911146275A CN 111368628 B CN111368628 B CN 111368628B
Authority
CN
China
Prior art keywords
identity recognition
data fusion
recognition algorithms
output
algorithm
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
CN201911146275.5A
Other languages
English (en)
Other versions
CN111368628A (zh
Inventor
唐四维
陈晓琴
李小龙
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.)
Wuhan Fiberhome Digtal Technology Co Ltd
Original Assignee
Wuhan Fiberhome Digtal 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 Wuhan Fiberhome Digtal Technology Co Ltd filed Critical Wuhan Fiberhome Digtal Technology Co Ltd
Priority to CN201911146275.5A priority Critical patent/CN111368628B/zh
Publication of CN111368628A publication Critical patent/CN111368628A/zh
Application granted granted Critical
Publication of CN111368628B publication Critical patent/CN111368628B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

一种基于视频数据的身份认证方法及系统，方法包括：将采集的视频流数据同时传给各算法厂家，每个算法厂家包括一种或多种类型的身份识别算法，每个身份识别算法中预先输入有布控人员特征信息；每个身份识别算法均基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；将同一类型的所有身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；将得到的多个一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果进行可视化展示。

Description

一种基于视频数据的身份认证方法与系统
技术领域
本发明涉及公安视频侦查领域，具体涉及一种基于视频数据的身份认证方法及系统。
背景技术
随着人民生活水平的逐步提高，人民对社会治安的稳定也有了新的要求。借助信息科学成果在当今社会中的普遍应用，信息采集设备、信息传递设备、信息存储设备的发展水平和普及程度，以足以支持公安工作进行更深层次的信息化升级。
随着人工智能技术的发展，使得人脸识别、姿态识别和步态识别技术的在公安业务实际应用的频率越来越高，使公安业务水平有极大的提升，但单一厂家的算法和单一的身份认证方法存在着一定的缺陷容易产生结果有较大的扰动，从而降低了这些技术对公安业务实际效率的提升。本发明采用多厂家和多种身份认证技术，对视频数据进行身份认证，对认证结果采用数据融合技术，降低身份认证扰动量，从而提升公安业务的实际效率。
发明内容
为解决上述技术问题，本发明提供一种基于视频数据的身份认证方法与系统，能够提高人员认证系统的准确信和可信度，技术方案如下：
作为本发明的第一方面，提供一种基于视频数据的身份认证方法，所述方法包括：
步骤1，将采集的视频流数据同时传给各算法厂家，每个算法厂家包括一种或多种类型的身份识别算法，每个身份识别算法中预先输入有布控人员特征信息；
步骤2，每个身份识别算法均基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
步骤3，将同一类型的所有身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
步骤4，将得到的多个一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果进行可视化展示。
进一步地，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法。
进一步地，步骤3中，第一级数据融合采用LMS-牛顿算法，具体如下：
令x1,x2,...,xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1,x2,...,xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure RE-GDA0002512393010000021
其中
Figure RE-GDA0002512393010000022
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果。
进一步地，
Figure RE-GDA0002512393010000023
的计算过程如下：
先计算出
Figure RE-GDA0002512393010000024
的代价函数
Figure RE-GDA0002512393010000025
其导数为
Figure RE-GDA0002512393010000026
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure RE-GDA0002512393010000031
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure RE-GDA0002512393010000032
其中η为学习率。
进一步地，步骤4中，第二级数据融合采用改进的贝叶斯算法，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下:
Zk＝{z1，…，zk}；
Figure RE-GDA0002512393010000033
其中:z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure RE-GDA0002512393010000034
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，导致因子f由下式给出:
Figure RE-GDA0002512393010000041
其中，参数m是对应身份识别算法最大的预期差值。
作为本发明的第二方面，提供一种基于视频数据的身份认证系统，所述系统包括视频采集模块，人员特征录入模块、人员特征存储模块、第一级数据融合模块、第二级数据融合模块、可视化展示模块和多个算法厂家提供的身份识别算法，每个算法厂家包括一种或多种类型的身份识别算法；
所述视频采集模块用于采集视频流数据，并将采集的视频流数据同时传给各算法厂家，供各算法厂家的身份识别算法调用；
所述人员特征录入模块用于录入布控人员特征信息，所述人员特征存储模块用于存储布控人员特征信息并输出给各算法厂家，供各算法厂家的身份识别算法调用；
所有身份识别算法均用于基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
所述第一级数据融合模块用于将同类型的身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
所述第二级数据融合模块用于将第一级数据融合模块输出的一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果输出给可视化展示模块进行可视化展示。
进一步地，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法。
进一步地，第一级数据融合模块采用LMS-牛顿算法进行第一级数据融合，具体如下：
令x1,x2,...,xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1,x2,...,xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure RE-GDA0002512393010000051
其中
Figure RE-GDA0002512393010000052
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果。
进一步地，
Figure RE-GDA0002512393010000053
的计算过程如下：
先计算出
Figure RE-GDA0002512393010000054
的代价函数
Figure RE-GDA0002512393010000055
其导数为
Figure RE-GDA0002512393010000056
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure RE-GDA0002512393010000057
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure RE-GDA0002512393010000058
其中η为学习率。
进一步地，第二级数据融合模块采用改进的贝叶斯算法进行第二级数据融合，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下:
Zk＝{z1，…，zk}；
Figure RE-GDA0002512393010000059
其中:z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure RE-GDA0002512393010000061
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，导致因子f由下式给出:
Figure RE-GDA0002512393010000062
其中，参数m是对应身份识别算法最大的预期差值。
本发明具有以下有益效果：
本发明提供的一种基于视频数据的身份认证方法及系统，将采集的视频流数据同时传给各算法厂家，利用各算法厂家的身份识别算法进行对应身份识别计算并输出对应分析结果，对同一类型的所有身份识别算法输出的结果进行一级数据融合，将得到的多个一级数据融合结果进行第二级数据融合，从而提高人员认证系统的准确信和可信度。
附图说明
图1为本发明实施例提供的一种基于视频数据的身份认证方法流程图；
图2为本发明实施例提供的一种基于视频数据的身份认证系统框架图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
如图1所示，作为本发明的第一实施例，提供一种基于视频数据的身份认证方法，所述方法包括：
步骤1，将采集的视频流数据同时传给各算法厂家，每个算法厂家包括一种或多种类型的身份识别算法，每个身份识别算法中预先输入有布控人员特征信息；
步骤2，每个身份识别算法均基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
步骤3，将同一类型的所有身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
步骤4，将得到的多个一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果进行可视化展示。
其中，所述视频流数据为通过高清摄像机、人脸卡口等采集的视频流数据。
其中，所述布控人员特征信息包括布控人员人脸特征、步态特征和姿态特征。
优选地，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法，当所述身份识别算法的类型为人脸识别算法时，则基于布控人员的人脸特征及所述视频流数据进行对应的人脸识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的人脸特征，与布控人员的人脸特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为100％，完全不一致，则为0％；当所述身份识别算法的类型为步态识别算法时，则基于布控人员的步态特征及所述视频流数据进行对应的步态识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的步态特征，与布控人员的步态特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为100％，完全不一致，则为0％；当所述身份识别算法的类型为姿态识别算法时，则基于布控人员的姿态特征及所述视频流数据进行对应的姿态识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的姿态特征，与布控人员的姿态特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为100％，完全不一致，则为0％。
优选地，步骤3中，第一级数据融合采用LMS-牛顿算法，具体如下：
令x1,x2,...,xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1,x2,...,xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure RE-GDA0002512393010000081
其中，
Figure RE-GDA0002512393010000082
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果。
上述公式中，
Figure RE-GDA0002512393010000083
的计算过程如下：
先计算出
Figure RE-GDA0002512393010000091
的代价函数
Figure RE-GDA0002512393010000092
其导数为
Figure RE-GDA0002512393010000093
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure RE-GDA0002512393010000094
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure RE-GDA0002512393010000095
其中η为学习率。
优选地，步骤4中，第二级数据融合采用改进的贝叶斯算法，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下:
Zk＝{z1，…，zk}；
Figure RE-GDA0002512393010000096
其中:z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure RE-GDA0002512393010000097
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，σ、σ1和σ2为通过实验数据得到的常数，导致因子 f由下式给出:
Figure RE-GDA0002512393010000101
其中，参数m是对应身份识别算法最大的预期差值。
身份识别算法的预期差值越大，导致因子f越大，方差也就越大，状态量x的最大后验概率估计(MAP)保持不变，但是融合的后验概率分布的方差改变了，因此，根据两个类型的身份识别算法一级数据融合的平方差，和单个的高斯分布相比，后验概率分布的方差可能会增加或减少，改进的贝叶斯方法能够非常有效地识别传感器数据的不一致，从而可以反映测量值得真实状态。
如图2所示，作为本发明的第二实施例，提供一种基于视频数据的身份认证系统，所述系统包括视频采集模块，人员特征录入模块、人员特征存储模块、第一级数据融合模块、第二级数据融合模块、可视化展示模块和多个算法厂家提供的身份识别算法，每个算法厂家包括一种或多种类型的身份识别算法；
所述视频采集模块用于采集视频流数据，并将采集的视频流数据同时传给各算法厂家，供各算法厂家的身份识别算法调用；
所述人员特征录入模块用于录入布控人员特征信息，所述人员特征存储模块用于存储布控人员特征信息并输出给各算法厂家，供各算法厂家的身份识别算法调用；
所有身份识别算法均用于基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
所述第一级数据融合模块用于将同类型的身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
其中所述布控人员特征信息包括布控人员人脸特征、步态特征和姿态特征。
优选地，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法，所述人脸识别算法包括人脸识别算法A、人脸识别算法B、人脸识别算法C等等，所述步态识别算法包括步态识别算法A、步态识别算法B、步态识别算法C等等，所述步态识别算法包括姿态识别算法A、姿态识别算法B、姿态识别算法C等等。
当所述身份识别算法的类型为人脸识别算法时，则基于布控人员的人脸特征及所述视频流数据进行对应的人脸识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的人脸特征，与布控人员的人脸特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为 100％，完全不一致，则为0％；当所述身份识别算法的类型为步态识别算法时，则基于布控人员的步态特征及所述视频流数据进行对应的步态识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的步态特征，与布控人员的步态特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为100％，完全不一致，则为0％；当所述身份识别算法的类型为姿态识别算法时，则基于布控人员的姿态特征及所述视频流数据进行对应的姿态识别计算并输出对应分析结果，具体为，通过从所述视频流数据提取每个人员的姿态特征，与布控人员的姿态特征比对，比对结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值，例如，比对结果完全一致，则对应人员是布控人员的概率值为100％，完全不一致，则为0％。
优选地，第一级数据融合模块采用LMS-牛顿算法进行第一级数据融合，具体如下：
令x1,x2,...,xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1,x2,...,xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure RE-GDA0002512393010000121
其中
Figure RE-GDA0002512393010000122
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果。
其中，
Figure RE-GDA0002512393010000123
的计算过程如下：
先计算出
Figure RE-GDA0002512393010000124
的代价函数
Figure RE-GDA0002512393010000125
其导数为
Figure RE-GDA0002512393010000126
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure RE-GDA0002512393010000127
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure RE-GDA0002512393010000128
其中η为学习率。
优选地，第二级数据融合模块采用改进的贝叶斯算法进行第二级数据融合，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下:
Zk＝{z1，…，zk}；
Figure RE-GDA0002512393010000131
其中:z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure RE-GDA0002512393010000132
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，其中，σ、σ1和σ2为通过实验数据得到的常数，导致因子f由下式给出:
Figure RE-GDA0002512393010000133
其中，参数m是对应身份识别算法最大的预期差值。
身份识别算法的预期差值越大，导致因子f越大，方差也就越大，状态量x的最大后验概率估计(MAP)保持不变，但是融合的后验概率分布的方差改变了，因此，根据两个类型的身份识别算法一级数据融合的平方差，和单个的高斯分布相比，后验概率分布的方差可能会增加或减少，改进的贝叶斯方法能够非常有效地识别传感器数据的不一致，从而可以反映测量值得真实状态。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于视频数据的身份认证方法，其特征在于，所述方法包括：
步骤1，将采集的视频流数据同时传给各算法厂家，每个算法厂家包括一种或多种类型的身份识别算法，每个身份识别算法中预先输入有布控人员特征信息；
步骤2，每个身份识别算法均基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
步骤3，将同一类型的所有身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
步骤4，将得到的多个一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果进行可视化展示；
步骤3中，第一级数据融合采用LMS-牛顿算法，具体如下：
令x1,x2,...,xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1,x2,...,xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure FDA0003690513130000011
其中
Figure FDA0003690513130000012
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果；
步骤4中，第二级数据融合采用改进的贝叶斯算法，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下：
Zk＝{z1，…，zk}；
Figure FDA0003690513130000021
其中：z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure FDA0003690513130000022
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，导致因子f由下式给出：
Figure FDA0003690513130000023
其中，参数c是对应身份识别算法最大的预期差值。
2.根据权利要求1所述的基于视频数据的身份认证方法，其特征在于，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法。
3.根据权利要求1所述的基于视频数据的身份认证方法，其特征在于，
Figure FDA0003690513130000024
的计算过程如下：
先计算出
Figure FDA0003690513130000031
的代价函数
Figure FDA0003690513130000032
其导数为
Figure FDA0003690513130000033
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure FDA0003690513130000034
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure FDA0003690513130000035
其中η为学习率。
4.一种基于视频数据的身份认证系统，其特征在于，所述系统包括视频采集模块，人员特征录入模块、人员特征存储模块、第一级数据融合模块、第二级数据融合模块、可视化展示模块和多个算法厂家提供的身份识别算法，每个算法厂家包括一种或多种类型的身份识别算法；
所述视频采集模块用于采集视频流数据，并将采集的视频流数据同时传给各算法厂家，供各算法厂家的身份识别算法调用；
所述人员特征录入模块用于录入布控人员特征信息，所述人员特征存储模块用于存储布控人员特征信息并输出给各算法厂家，供各算法厂家的身份识别算法调用；
所有身份识别算法均用于基于布控人员特征信息及所述视频流数据进行对应的身份识别计算并输出对应分析结果，所述分析结果为视频流中出现的人员是布控人员的概率值或不是布控人员的概率值；
所述第一级数据融合模块用于将同类型的身份识别算法输出的结果进行第一级数据融合，得到同一类型的所述身份识别算法输出结果的一级数据融合结果；
所述第二级数据融合模块用于将第一级数据融合模块输出的一级数据融合结果进行第二级数据融合，得到二级数据融合结果，并将二级数据融合结果输出给可视化展示模块进行可视化展示；
第一级数据融合模块采用LMS-牛顿算法进行第一级数据融合，具体如下：
令x1，x2，...，xm分别为同一类型的所有身份识别算法中各身份识别算法输出的结果，X是同一类型的所有身份识别算法中的所有身份识别算法输出结果的集合，则X＝{x1，x2，...，xm}，得到同一类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果y表示为如下公式：
Figure FDA0003690513130000041
其中
Figure FDA0003690513130000042
为同一类型的所有身份识别算法中的第i个身份识别算法所占的权重，xi为同一类型的所有身份识别算法中的第i个身份识别算法输出的结果；
第二级数据融合模块采用改进的贝叶斯算法进行第二级数据融合，具体如下：
令一个状态空间k时刻的概率为xk，令有k种类型的身份识别算法，得到k种类型的身份识别算法的一级数据融合输出结果的集合Zk和先验分布如下：
Zk＝{z1，…，zk}；
Figure FDA0003690513130000043
其中：z1为第1种类型的所有身份识别算法的输出结果通过第一级数据融合后的输出结果，zk为第k种类型的所有身份识别算法输出的结果通过第一级数据融合后输出的结果；p(zk|xk)为似然函数，该函数基于给定的身份识别算法；p(xk|Zk-1为先验分布函数，该函数基于给定的转换系统的模型；分母p(Zk|Zk-1)为一种规格化术语，保证概率密度函数归一化；
考虑到测量的不一致性，表现在方法中，有：
Figure FDA0003690513130000044
其中，p(X＝x|Z＝z1，z2)为第1种类型的所有身份识别算法输出结果的一级数据融合结果和第2种类型的所有身份识别算法输出结果的一级数据融合结果通过第二级数据融合后输出的最终结果，依次类推，可以得出第i种类型和第i+1种类型的身份识别算法的一级数据融合结果通过第二级数据融合后输出的最终结果，在上式中可以看到，这一改进导致个体分布的方差σ与导致因子f成正比，其中，导致因子f由下式给出:
Figure FDA0003690513130000051
其中，参数c是对应身份识别算法最大的预期差值。
5.根据权利要求4所述的基于视频数据的身份认证系统，其特征在于，所述身份识别算法的类型包括人脸识别算法、步态识别算法和姿态识别算法。
6.根据权利要求4所述的的基于视频数据的身份认证系统，其特征在于，
Figure FDA0003690513130000052
的计算过程如下：
先计算出
Figure FDA0003690513130000053
的代价函数
Figure FDA0003690513130000054
其导数为
Figure FDA0003690513130000055
其中，di为第i次迭代的期望输出值，yi为第i次迭代的实际输出值，ei为i次迭代的偏差值，
Figure FDA0003690513130000056
x(n)分别为第n迭代对应的实际输出值，e(n)为第n次迭代的偏差值；
由其导数得到权值调整公式为：
Figure FDA0003690513130000057
其中η为学习率。
CN201911146275.5A 2019-11-21 2019-11-21 一种基于视频数据的身份认证方法与系统 Active CN111368628B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911146275.5A CN111368628B (zh) 2019-11-21 2019-11-21 一种基于视频数据的身份认证方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911146275.5A CN111368628B (zh) 2019-11-21 2019-11-21 一种基于视频数据的身份认证方法与系统

Publications (2)

Publication Number Publication Date
CN111368628A CN111368628A (zh) 2020-07-03
CN111368628B true CN111368628B (zh) 2022-09-16

Family

ID=71208034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911146275.5A Active CN111368628B (zh) 2019-11-21 2019-11-21 一种基于视频数据的身份认证方法与系统

Country Status (1)

Country Link
CN (1) CN111368628B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1457015A (zh) * 2003-03-07 2003-11-19 北方交通大学 基于人脸识别和手形识别的双模态生物认证系统
CN102266241A (zh) * 2011-08-05 2011-12-07 上海交通大学 融合人脸和指纹视觉信息的协同性别识别方法
AU2011101355A4 (en) * 2011-10-20 2011-12-08 Girija Chetty Biometric person identity verification base on face and gait fusion
CN106650693A (zh) * 2016-12-30 2017-05-10 河北三川科技有限公司 一种用于人脸比对的多特征融合识别算法
CN206224519U (zh) * 2016-12-01 2017-06-06 大连因特视智能传感科技有限公司 基于动态人脸识别和步态识别融合的智能身份识别系统
CN109920111A (zh) * 2019-03-05 2019-06-21 杭州电子科技大学 一种人脸识别和步态识别融合的门禁系统
CN110309744A (zh) * 2019-06-21 2019-10-08 武汉市公安局视频侦查支队 一种嫌疑人识别方法及装置
CN110378414A (zh) * 2019-07-19 2019-10-25 中国计量大学 基于进化策略的多模态生物特征融合的身份识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7558765B2 (en) * 2005-01-14 2009-07-07 Ultra-Scan Corporation Multimodal fusion decision logic system using copula model

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1457015A (zh) * 2003-03-07 2003-11-19 北方交通大学 基于人脸识别和手形识别的双模态生物认证系统
CN102266241A (zh) * 2011-08-05 2011-12-07 上海交通大学 融合人脸和指纹视觉信息的协同性别识别方法
AU2011101355A4 (en) * 2011-10-20 2011-12-08 Girija Chetty Biometric person identity verification base on face and gait fusion
CN206224519U (zh) * 2016-12-01 2017-06-06 大连因特视智能传感科技有限公司 基于动态人脸识别和步态识别融合的智能身份识别系统
CN106650693A (zh) * 2016-12-30 2017-05-10 河北三川科技有限公司 一种用于人脸比对的多特征融合识别算法
CN109920111A (zh) * 2019-03-05 2019-06-21 杭州电子科技大学 一种人脸识别和步态识别融合的门禁系统
CN110309744A (zh) * 2019-06-21 2019-10-08 武汉市公安局视频侦查支队 一种嫌疑人识别方法及装置
CN110378414A (zh) * 2019-07-19 2019-10-25 中国计量大学 基于进化策略的多模态生物特征融合的身份识别方法

Also Published As

Publication number Publication date
CN111368628A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
US11487995B2 (en) Method and apparatus for determining image quality
CN110189769B (zh) 基于多个卷积神经网络模型结合的异常声音检测方法
CN106471527B (zh) 从全局模型进行本地化学习
CN104866829B (zh) 一种基于特征学习的跨年龄人脸验证方法
Kar et al. Study of implementing automated attendance system using face recognition technique
JP7248102B2 (ja) 情報処理装置、個人識別装置、情報処理方法及び記憶媒体
CN112149638B (zh) 基于多模态生物特征的人员身份识别系统构建及使用方法
US20110135167A1 (en) Personal authentication system and personal authentication method
JP6798614B2 (ja) 画像認識装置、画像認識方法および画像認識プログラム
CN109902564B (zh) 一种基于结构相似性稀疏自编码网络的异常事件检测方法
CN109117817B (zh) 人脸识别的方法及装置
US20230368351A1 (en) Person verification device and method and non-transitory computer readable media
CN110414299A (zh) 一种基于计算机视觉的猴脸亲缘关系分析方法
WO2019095587A1 (zh) 人脸识别方法、应用服务器及计算机可读存储介质
CN108664886A (zh) 一种适应变电站进出监控需求的人脸快速识别方法
CN111368628B (zh) 一种基于视频数据的身份认证方法与系统
KR101420189B1 (ko) 연령 및 성별을 이용한 사용자 인식 장치 및 방법
US20080232682A1 (en) System and method for identifying patterns
CN110718301B (zh) 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法
CN112651372A (zh) 基于人脸图像的年龄判断方法及装置、电子设备、存储介质
CN111160263B (zh) 一种获取人脸识别阈值的方法及系统
CN111209860B (zh) 基于深度学习与强化学习的视频考勤系统及方法
CN110084110B (zh) 一种近红外人脸图像识别方法、装置、电子设备及存储介质
CN112183213A (zh) 一种基于Intral-Class Gap GAN的面部表情识别方法
CN105245497A (zh) 一种身份认证方法及装置

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