CN111476189B - 一种身份识别方法和相关装置 - Google Patents

一种身份识别方法和相关装置 Download PDF

Info

Publication number
CN111476189B
CN111476189B CN202010290247.7A CN202010290247A CN111476189B CN 111476189 B CN111476189 B CN 111476189B CN 202010290247 A CN202010290247 A CN 202010290247A CN 111476189 B CN111476189 B CN 111476189B
Authority
CN
China
Prior art keywords
identity
features
training
key
identity recognition
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
CN202010290247.7A
Other languages
English (en)
Other versions
CN111476189A (zh
Inventor
孟强
钱杨
徐霞清
秦云霄
王泽正
周峰
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.)
Beijing Aibee Technology Co Ltd
Original Assignee
Beijing Aibee 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 Beijing Aibee Technology Co Ltd filed Critical Beijing Aibee Technology Co Ltd
Priority to CN202010290247.7A priority Critical patent/CN111476189B/zh
Publication of CN111476189A publication Critical patent/CN111476189A/zh
Application granted granted Critical
Publication of CN111476189B publication Critical patent/CN111476189B/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
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06V40/172—Classification, e.g. identification
    • 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
    • G06V40/174—Facial expression recognition

Landscapes

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

Abstract

本申请实施例公开了一种身份识别方法和相关装置，该方法包括：获取待识别图像，利用身份识别模型对待识别图像中的目标对象进行身份识别；其中，身份识别模型用于：确定所述目标对象的对象特征；通过正交约束，将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；根据所述身份特征对所述目标对象进行身份识别。在该方法中，通过对待识别图像中目标对象的对象特征进行正交约束的方式，以将与目标对象身份无关的非关键特征分解出来，得到于目标对象身份相关的身份特征进行身份识别，从而避免了非关键特征对身份识别造成的影响，进而提高了身份识别准确率。

Description

一种身份识别方法和相关装置
技术领域
本申请涉及图像处理领域，特别是涉及一种身份识别方法和相关装置。
背景技术
商场，机场，车站等布置的摄像头基于安装位置的约束，无法时刻拍摄到经过人群的正脸图像。另外，这些场景是非约束场景，也就是说人群没有被要求正面看摄像头。
目前，相关人脸识别模型对这类大角度(拍摄方向与人脸身体朝向的角度较大)的人脸识别率很低，由此对后续处理(比如身份验证和人员跟踪)造成极大的挑战。
可见，无法准确进行大角度人脸识别是亟需解决的问题。
发明内容
为了解决上述技术问题，本申请提供了一种身份识别方法和相关装置，避免了非关键特征对身份识别造成的影响，进而提高了身份识别准确率。
本申请实施例公开了如下技术方案：
一方面，本申请实施例提供了一种身份识别方法，所述方法包括：
获取待识别图像；
对所述待识别图像中的目标对象进行身份识别，包括：
确定所述目标对象的对象特征；
将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；
根据所述身份特征对所述目标对象进行身份识别。
另一方面，本申请实施例提供了一种身份识别装置，所述装置包括：
获取单元，用于获取待识别图像；
识别单元，用于对所述待识别图像中的目标对象进行身份识别，所述识别单元，具体用于：
确定所述目标对象的对象特征；
将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；
根据所述身份特征对所述目标对象进行身份识别。
另一方面，本申请实施例提供了一种设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述方法。
另一方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方法。
由上述技术方案可以看出，该方法包括：获取待识别图像，利用身份识别模型对待识别图像中的目标对象进行身份识别；其中，身份识别模型用于：确定所述目标对象的对象特征；通过正交约束，将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；根据所述身份特征对所述目标对象进行身份识别。在该方法中，通过对待识别图像中目标对象的对象特征进行正交约束的方式，以将与目标对象身份无关的非关键特征分解出来，得到于目标对象身份相关的身份特征进行身份识别，从而避免了非关键特征对身份识别造成的影响，进而提高了身份识别准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种身份识别方法流程图；
图2为本申请实施例提供的一种身份识别模型结构图；
图3a为本申请实施例提供的一种包括目标对象的待识别图像示意图；
图3b为本申请实施例提供的一种包括目标对象的待识别图像示意图；
图4为本申请实施例提供的一种身份识别样本中第一训练图像的示意图；
图5为本申请实施例提供的一种身份识别模型训练方式示意图；
图6为本申请实施例提供的一种身份识别装置示意图。
具体实施方式
下面结合附图，对本申请的实施例进行描述。
目前，相关人脸识别模型对大角度(指向拍摄设备的拍摄方向与人脸身体朝向的角度较大)的人脸识别率很低，由此对后续处理(比如身份验证和人员跟踪)造成极大的挑战。可见，无法准确进行大角度人脸识别是目前亟需解决的问题。
为此，本申请实施例提供了一种身份识别方法，以提高身份识别准确率。
首先，对本申请实施例的执行主体进行介绍。本申请提供的身份识别方法可以通过图像处理设备执行。该图像处理设备可以是终端设备，其中，该终端设备中可以部署有身份识别模型，终端设备通过执行本申请实施例提供的身份识别方法，以实现提高身份识别准确率。该终端设备例如可以是智能手机、计算机、个人数字助理(Personal DigitalAssistant，PDA)、平板电脑、销售终端(Point of Sales，POS)、车载电脑等设备。
该数据处理设备还可以是服务器，服务器中可以部署有身份识别模型，终端设备通过执行本申请实施例提供的身份识别方法，为终端设备提供身份识别服务，以实现提高身份识别准确率。其中，服务器可以是独立的服务器，也可以是集群中的服务器。
下面对本申请实施例提供的身份识别方法进行介绍，参见图1，该图示出了本申请实施例提供的一种身份识别方法流程图，如图1所示，所述方法包括：
S101：获取待识别图像。
其中，待识别图像中可以包括对象。
需要说明，本申请实施例不限定待识别图像中对象的类型，如可以是人体等。另外，本申请实施例不限定待识别图像中所包括对象的数量，该待识别图像中可以包括一个或多个对象。当待识别图像中包括多个对象时，可以通过本申请实施例提供的方法对其中的多个对象进行身份识别。
在本申请实施例中，可以将待识别图像中需要进行身份识别的图像记为目标对象。
S102：对所述待识别图像中的目标对象进行身份识别。
在一种可能的实现方式中，该S102的方法包括：可以通过预先训练一个身份识别模型即神经网络模型，以用于对待识别图像中的目标对象进行身份识别。
参见图2，该图示出了本申请实施例提供的一种身份识别模型结构图，如图2所示，通过该身份识别模型对待识别图像进行身份识别的方法包括：
S201：确定所述目标对象的对象特征。
其中，该对象特征可以用于标识待识别图像中目标对象的数据信息。
在本申请实施例中，该身份识别模型中可以包括一个骨干网络(BackboneNetwork)，在将待识别图像输入至身份识别模型时，可以首先输入至该骨干网络中，以对待识别图像中的目标对象提取出对应的对象特征即Fb。该对象特征Fb可以包括待识别图像中该目标对象的信息。
S202：将所述对象特征分解为身份特征和非关键特征。
其中，该非关键特征可以是与目标对象的身份无关的特征。在一种可能的实现方式中，该非关键特征可以包括拍摄角度特征和表情特征中的一种或多种组合。其中，该拍摄角度特征可以用于标识指向拍摄设备的拍摄方向与目标对象的身体朝向之间的角度。
下面对拍摄角度特征进行举例说明，如图3a和图3b所示，分别示出了本申请实施例提供的一种包括目标对象的待识别图像示意图，如图3a所示，该拍摄角度特征为0°，即图3a中指向拍摄设备的拍摄方向与目标对象的身体朝向之间的角度为0°。如图3b所示，该拍摄角度特征为55°，即图3b中指向拍摄设备的拍摄方向与目标对象的身体朝向之间的角度为55°。
在一种可能的实现方式中，S202中将所述对象特征分解为身份特征和非关键特征的方式包括：通过正交约束，将所述对象特征分解为身份特征和非关键特征。
在本申请实施例中，对于对象特征，可以通过正交约束的方式，将其分解为身份特征和非关键特征，从而将对象特征中的非关键特征分解出来。
其中，正交约束(也称为无关性约束)可以是指将对象特征分解到互相垂直的不同空间中，从而得到互不相关的特征。
在具体实现中，如图2所示，可以将该对象特征通过正交约束(OrthogonalConstraint)分解至两个相互正交的欧式空间WI,WP里，以将对象特征分解为身份向量Fi和非关键向量Fp，并将身份向量Fi输入至特征层(Feature Layer)，输出身份特征Fo，该非关键向量Fp即作为非关键特征。
S303：根据所述身份特征对所述目标对象进行身份识别。
从而，通过该经分离非关键特征得到的身份特征对目标对象进行身份识别。
由上述技术方案可以看出，该方法包括：获取待识别图像，利用身份识别模型对待识别图像中的目标对象进行身份识别；其中，身份识别模型用于：确定所述目标对象的对象特征；通过正交约束，将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；根据所述身份特征对所述目标对象进行身份识别。在该方法中，通过对待识别图像中目标对象的对象特征进行正交约束的方式，以将与目标对象身份无关的非关键特征分解出来，得到于目标对象身份相关的身份特征进行身份识别，从而避免了非关键特征对身份识别造成的影响，进而提高了身份识别准确率。
需要说明，本申请实施例不限定针对身份识别模型的训练方式，可以根据实际需求，选择适合的方式进行模型训练，例如，可以通过身份识别样本对身份识别模型进行训练。该身份识别样本包括多张训练图像和训练图像中对象的标注身份。
本申请实施例提供了两种针对身份识别模型的训练方式，以提高身份识别模型从对象特征中分解出非关键特征的准确性。
第一种训练方式：
在本申请实施例中，可以构建一个身份识别样本，以用于对身份识别模型的训练。其中，该身份识别样本中可以包括用于模型训练的多张第一训练图像和所述第一训练图像中对象的标准非关键特征以及标注身份。对于任意一张第一训练图像，即为第一目标图像，该第一目标对象具有其中对象对应的标准非关键特征，以及其中对象的标注身份。
然后，可以通过该身份识别样本对身份识别模型进行训练。
其中，在通过第一目标图像对身份识别模型进行训练的过程中，可以将标准非关键特征与非关键训练特征进行一致性约束，该非关键训练特征是根据第一目标图像对身份识别模型进行分解时得到的非关键特征。
其中，所述一致性约束可以是指令标准非关键特征与非关键训练特征的差异在预设的范围内。
本申请实施例不限定进行一致性约束的方式，在一种可能的实现方式中，将标准非关键特征与非关键训练特征进行一致性约束的方式可以包括：
添加关于标准非关键特征与非关键训练特征之间的非关键特征损失函数。其中，非关键特征损失函数可以是在训练过程中令标准非关键特征与非关键训练特征之间差异最小化的函数。
如图2所示，根据第一目标图像确定出关键点(对应于拍摄角度)。其中，该关键点可以用于体现第一目标图像中对象特点的点。如图2所示，该关键点即为第一目标图像中对象(即人体)的五官的位置点。通过该关键点，可以确定该人体五官的位置关系。
需要说明，本申请实施例不限定该关键点的数量和选取位置，可以根据实际需求，对第一目标图像中的对象选取适合的位置，来采集对应的关键点。
在确定第一目标图像中对象的关键点后，通过编码器(Encoder)提取出对应的标准非关键特征Fp’。以及，对于身份识别模型对第一目标图像中对象分解的非关键训练特征Fp，可以添加该标准非关键特征Fp’与非关键训练特征Fp之间的非关键特征损失函数Fp-Fp'。
通过在训练过程中加入准确的标准非关键特征，并将该标准非关键特征与训练过程中得到的非关键训练特征进行一致化约束，有利于帮助身份识别模型准确分解对象特征的身份特征和非关键特征，提高从对象特征中分离非关键特征的准确性。
第二种训练方式：
可以通过构建一个身份识别样本，以通过该身份识别样本对身份识别模型进行训练。其中，该身份识别样本包括多张第一训练图像和第一训练图像中对象的标注身份。
针对通过身份识别样本中任意一张第一训练图像即第一目标图像进行模型训练过程中，将所述第一目标图像分别输入至身份识别模型和非关键特征提取模型中，并将通过该非关键特征提取模型输出的标准非关键特征与非关键训练特征进行一致性约束。
其中，该非关键训练特征是身份识别模型根据第一目标图像进行分解得到的非关键特征。其中，一致性约束的方式如前所述，此处不再赘述。
通过在训练过程中根据非关键特征提取模型输出的准确的标准非关键特征，并将该标准非关键特征与训练过程中得到的非关键训练特征进行一致化约束，有利于帮助身份识别模型准确分解对象特征的身份特征和非关键特征，提高从对象特征中分离非关键特征的准确性。
在一种可能的实现方式中，该第一目标图像中对象的标准非关键特征可以是通过非关键特征提取模型得到的。
其中，可以通过非关键特征训练样本进行模型训练，得到该非关键特征提取模型。该非关键特征训练样本中可以包括多张第二训练图像和第二训练图像中对象对应的标准非关键特征。
另外，针对第二种训练方式中非关键特征提取模型也是通过该方法训练得到的。
通过神经网络模型来得到身份识别样本，提高构建样本的效率。
在本申请实施例中，为对身份识别样本中拍摄角度较大或表情夸张程度较大的第一目标图像进行重点训练，在一种可能的实现方式中，在通过第一目标图像对身份识别模型进行训练的过程中，还可以根据第一目标图像的标准非关键特征，确定关于第一目标图像中对象的标注身份与训练身份之间的身份损失函数。
其中，训练身份可以是根据第一目标图像对身份识别模型进行训练时得到的身份。该身份损失函数可以是在训练过程中以令第一目标图像中对象的标注身份与训练身份间差异最小化的函数。
在一种可能的实现方式中，若根据第一目标图像的标准非关键特征，确定第一目标图像中对象的拍摄角度大于预设的角度阈值(或者表情程度大于预设的表情阈值)时，可以增加身份损失函数，以增加身份识别模型对该第一目标图像的训练次数，实现对第一目标图像的重点训练。
其中，该角度阈值可以是预先设置的用于确定第一目标图像中对象是否属于大拍摄角度的数值，该表情阈值可以是预先设置的用于确定第一目标图像中对象是否属于夸张表情的数值。
例如，如图4所示，该图示出了本申请实施例提供的一种身份识别样本中第一训练图像的示意图，如图4所示，可以对其中的大拍摄角度的图像进行重点训练。
通过该方式，可以对拍摄角度较大或对象表情较夸张的训练样本进行重点训练，以增强身份识别模型对这类待识别图像的身份识别准确率。
另外，在一种可能的实现方式中，当非关键特征包括拍摄角度特征时，上述根据所述第一目标图像的标准非关键特征，确定关于所述第一目标图像中对象的标注身份与训练身份之间的身份损失函数的方法，可以包括：
可以根据拍摄角度特征对应的拍摄角度，确定所述身份损失函数，其中，所述身份损失函数随着所述拍摄角度的增大而增大。
在具体实现中，如图2所示，可以确定第一目标图像中对象的关键点，并根据该关键点确定拍摄角度。该对象的拍摄角度可以以俯仰(Pitch)角、偏摆(Yaw)角和翻滚(Roll)角表示。其中，Pitch角可以是对象沿Y轴前后旋转的角度，Yaw角可以是对象沿Z轴左右旋转的角度，Roll角可以是对象沿X轴旋转的角度。
然后，可以根据该Pitch角、Yaw角和Roll角，确定对应的比率ri，该比率ri的取值范围在0至1之间，该比率ri可以用于计算身份损失函数LPA。。
在本申请实施例中，该身份损失函数LPA可以与距离(Margin)有关，该Margin为m+ri·δm。其中，m是指基础距离，取值范围为0.5-0.525之间，δm可以是一个常数，数值约为0.025。若对象的拍摄角度越大，确定的对应比率ri越大，使得Margin数值越大，进而，身份损失函数LPA越大。
该方式中，根据人脸的拍摄角度动态调整训练过程，相对于对应拍摄角度小的人脸的训练样本，对应拍摄角度大的人脸的训练样本是更难学习的样本。由此，通过对拍摄角度大的训练样本进行重点训练(即多次训练)，提高了身份识别模型对待识别图像中大拍摄角度对象的识别准确率。
下面以拍摄角度为非关键特征为例，对本申请的身份识别方法进行介绍。
在该方法中，应用身份识别模型来对待识别图像进行身份识别。通过将待识别图像输入至身份识别模型，以使身份识别模型确定目标对象的对象特征。然后，通过正交约束将对象特征分解为身份特征和拍摄角度特征。从而，根据身份特征对目标对象进行身份识别。
也就是说，对于待识别图像，通过身份识别模型对其中人脸的身份特征分解为关键点信息(对应于拍摄角度特征)和身份信息。该关键点信息可以体现人脸关键点的信息，该身份信息可以体现与该人体身份相关的信息。通过在该分解过程中加入无关性约束，保证得到的身份特征和关键点特征即拍摄角度特征是不相关的。也就是说，所得到的身份特征与拍摄角度无关，该身份特征不会因为拍摄角度变化而变化，从而实现提高身份识别模型对各个拍摄角度下的人脸识别的准确性。
为使身份识别模型能够更准确的从对象特征分离出非关键特征，在本申请实施例中，通过下述方法进行模型训练。参见图5，该图示出了本申请实施例提供的一种身份识别模型训练方式示意图，如图5所示，对于身份识别样本中的第一目标图像，通过采用自动编码器(AutoEncoder)网络对其提取关键点，并得到关键点标注特征。然后，将第一目标图像对身份识别模型进行训练的过程中，通过正交约束将对象特征分解为身份特征和关键点训练特征，并将关键点标注特征和关键点训练特征进行一致性约束，以保证身份识别模型可以将对象特征中的关键点特征准确分解出来，进而提高身份识别模型的识别准确率。如图5所示，身份识别模型可以根据身份特征识别出第一目标图像中的对象为路人甲。
本申请实施例提供了一种身份识别装置，参见图6，该图示出了本申请实施例提供的一种身份识别装置示意图，所述装置包括：
获取单元601，用于获取待识别图像；
识别单元602，用于对所述待识别图像中的目标对象进行身份识别，所述识别单元，具体用于：
确定所述目标对象的对象特征；
将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；
根据所述身份特征对所述目标对象进行身份识别。
在一种可能的实现方式中，利用身份识别模型对所述待识别图像中的目标对象进行身份识别，对所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本包括多张第一训练图像和所述第一训练图像中对象的标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像分别输入至所述身份识别模型和非关键特征提取模型中，并将所述非关键特征提取模型输出的标准非关键特征与非关键训练特征进行一致性约束，所述非关键训练特征是所述身份识别模型根据所述第一目标图像进行分解得到的非关键特征，所述第一目标图像为所述多张第一训练图像中的任意一张。
在一种可能的实现方式中，利用身份识别模型对所述待识别图像中的目标对象进行身份识别，对所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本包括多张第一训练图像和所述第一训练图像中对象的标准非关键特征以及标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像的标准非关键特征与非关键训练特征进行一致性约束，所述非关键训练特征是所述身份识别模型对所述第一目标图像进行分解得到的非关键特征，所述第一目标图像为所述多张第一训练图像中的任意一张。
在一种可能的实现方式中，所述第一目标图像中对象的标准非关键特征是根据非关键特征提取模型得到的；
所述非关键特征提取模型是根据非关键特征训练样本进行训练得到的，所述非关键特征训练样本包括多张第二训练图像和所述第二训练图像中对象对应的标准非关键特征。
在一种可能的实现方式中，所述识别单元602，具体用于：
添加关于所述标准非关键特征与非关键训练特征之间的非关键特征损失函数。
在一种可能的实现方式中，在通过所述第一目标图像对所述身份识别模型进行训练的过程中，根据所述第一目标图像的标准非关键特征，确定关于所述第一目标图像中对象的标注身份与训练身份之间的身份损失函数，所述训练身份是根据所述第一目标图像对所述身份识别模型进行训练时得到的身份。
在一种可能的实现方式中，所述非关键特征包括拍摄角度特征和表情特征中的一种或多种组合，所述拍摄角度特征用于标识指向拍摄设备的拍摄方向与目标对象的身体朝向间的角度。
在一种可能的实现方式中，所述识别单元602，具体用于：
当所述非关键特征包括所述拍摄角度特征时，所述拍摄角度特征用于标识指向拍摄设备的拍摄方向与目标对象的身体朝向间的角度，根据所述拍摄角度特征对应的拍摄角度，确定所述身份损失函数，其中，所述身份损失函数随着所述拍摄角度的增大而增大。
在一种可能的实现方式中，所述识别单元602，具体用于：
通过正交约束，将所述对象特征分解为身份特征和非关键特征。
由上述技术方案可以看出，该方法包括：获取待识别图像，利用身份识别模型对待识别图像中的目标对象进行身份识别；其中，身份识别模型用于：确定所述目标对象的对象特征；通过正交约束，将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；根据所述身份特征对所述目标对象进行身份识别。在该方法中，通过对待识别图像中目标对象的对象特征进行正交约束的方式，以将与目标对象身份无关的非关键特征分解出来，得到于目标对象身份相关的身份特征进行身份识别，从而避免了非关键特征对身份识别造成的影响，进而提高了身份识别准确率。
本申请实施例提供了一种设备，可以是执行该身份识别方法的数据处理设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述方法。
本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行上述方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (12)

1.一种身份识别方法，其特征在于，所述方法包括：
获取待识别图像；
利用身份识别模型对所述待识别图像中的目标对象进行身份识别，包括：
确定所述目标对象的对象特征；
将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；
根据所述身份特征对所述目标对象进行身份识别；
所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本至少包括：多张第一训练图像和所述第一训练图像中对象的标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像输入至所述身份识别模型中，所述身份识别模型对所述第一目标图像进行分解得到非关键训练特征；将所述非关键训练特征与标准非关键特征进行一致性约束；所述第一目标图像为所述多张第一训练图像中的任意一张。
2.根据权利要求1所述的方法，其特征在于，利用身份识别模型对所述待识别图像中的目标对象进行身份识别，对所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本包括多张第一训练图像和所述第一训练图像中对象的标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像分别输入至所述身份识别模型和非关键特征提取模型中，并将所述非关键特征提取模型输出的标准非关键特征与非关键训练特征进行一致性约束，所述非关键训练特征是所述身份识别模型根据所述第一目标图像进行分解得到的非关键特征，所述第一目标图像为所述多张第一训练图像中的任意一张。
3.根据权利要求1所述的方法，其特征在于，利用身份识别模型对所述待识别图像中的目标对象进行身份识别，对所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本包括多张第一训练图像和所述第一训练图像中对象的标准非关键特征以及标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像的标准非关键特征与非关键训练特征进行一致性约束，所述非关键训练特征是所述身份识别模型对所述第一目标图像进行分解得到的非关键特征，所述第一目标图像为所述多张第一训练图像中的任意一张。
4.根据权利要求3所述的方法，其特征在于，所述第一目标图像中对象的标准非关键特征是根据非关键特征提取模型得到的；
所述非关键特征提取模型是根据非关键特征训练样本进行训练得到的，所述非关键特征训练样本包括多张第二训练图像和所述第二训练图像中对象对应的标准非关键特征。
5.根据权利要求2-4任意一项所述的方法，其特征在于，所述将所述标准非关键特征与非关键训练特征进行一致性约束，包括：
添加关于所述标准非关键特征与非关键训练特征之间的非关键特征损失函数。
6.根据权利要求2-4任意一项所述的方法，其特征在于，所述方法还包括：
在通过所述第一目标图像对所述身份识别模型进行训练的过程中，根据所述第一目标图像的标准非关键特征，确定关于所述第一目标图像中对象的标注身份与训练身份之间的身份损失函数，所述训练身份是根据所述第一目标图像对所述身份识别模型进行训练时得到的身份。
7.根据权利要求1-4任意一项所述的方法，其特征在于，所述非关键特征包括拍摄角度特征和表情特征中的一种或多种组合，所述拍摄角度特征用于标识指向拍摄设备的拍摄方向与目标对象的身体朝向间的角度。
8.根据权利要求6所述的方法，其特征在于，当所述非关键特征包括拍摄角度特征时，所述拍摄角度特征用于标识指向拍摄设备的拍摄方向与目标对象的身体朝向间的角度，所述根据所述第一目标图像的标准非关键特征，确定关于所述第一目标图像中对象的标注身份与训练身份之间的身份损失函数，包括：
根据所述拍摄角度特征对应的拍摄角度，确定所述身份损失函数，其中，所述身份损失函数随着所述拍摄角度的增大而增大。
9.根据权利要求1-4任意一项所述的方法，其特征在于，所述将所述对象特征分解为身份特征和非关键特征，包括：
通过正交约束，将所述对象特征分解为身份特征和非关键特征。
10.一种身份识别装置，其特征在于，所述装置包括：
获取单元，用于获取待识别图像；
识别单元，用于对所述待识别图像中的目标对象进行身份识别，所述识别单元，具体用于：
确定所述目标对象的对象特征；
利用身份识别模型将所述对象特征分解为身份特征和非关键特征，所述非关键特征为与所述目标对象的身份无关的特征；
根据所述身份特征对所述目标对象进行身份识别；
所述身份识别模型的训练方式如下：
通过身份识别样本对所述身份识别模型进行训练；所述身份识别样本至少包括：多张第一训练图像和所述第一训练图像中对象的标注身份；
在通过第一目标图像对所述身份识别模型进行训练的过程中，将所述第一目标图像输入至所述身份识别模型中，所述身份识别模型对所述第一目标图像进行分解得到非关键训练特征；将所述非关键训练特征与标准非关键特征进行一致性约束；所述第一目标图像为所述多张第一训练图像中的任意一张。
11.一种设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-9任意一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行权利要求1-9任意一项所述的方法。
CN202010290247.7A 2020-04-14 2020-04-14 一种身份识别方法和相关装置 Active CN111476189B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010290247.7A CN111476189B (zh) 2020-04-14 2020-04-14 一种身份识别方法和相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010290247.7A CN111476189B (zh) 2020-04-14 2020-04-14 一种身份识别方法和相关装置

Publications (2)

Publication Number Publication Date
CN111476189A CN111476189A (zh) 2020-07-31
CN111476189B true CN111476189B (zh) 2023-10-13

Family

ID=71751847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010290247.7A Active CN111476189B (zh) 2020-04-14 2020-04-14 一种身份识别方法和相关装置

Country Status (1)

Country Link
CN (1) CN111476189B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111738362B (zh) * 2020-08-03 2020-12-01 成都睿沿科技有限公司 对象识别方法及装置、存储介质及电子设备
CN113128526B (zh) * 2021-06-17 2021-08-27 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备和计算机可读存储介质
CN113469118B (zh) * 2021-07-20 2024-05-21 京东科技控股股份有限公司 多目标行人跟踪方法及装置、电子设备、存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885310A (zh) * 2006-06-01 2006-12-27 北京中星微电子有限公司 人脸模型训练模块及方法、人脸实时认证系统及方法
CN104239766A (zh) * 2014-08-20 2014-12-24 中广核核电运营有限公司 基于视频和音频的核电站用身份认证方法和系统
CN105046265A (zh) * 2015-03-03 2015-11-11 沈阳工业大学 基于纹理差异的虹膜图像肠环区域检测方法
CN106127170A (zh) * 2016-07-01 2016-11-16 重庆中科云丛科技有限公司 一种融合关键特征点的训练方法、识别方法及系统
CN207472980U (zh) * 2017-11-17 2018-06-08 中国信息通信研究院 一种针对多探头球面近场的探头一致性检测系统
CN108304829A (zh) * 2018-03-08 2018-07-20 北京旷视科技有限公司 人脸识别方法、装置及系统
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
CN109087429A (zh) * 2018-09-19 2018-12-25 重庆第二师范学院 基于人脸识别技术的图书馆借书证人证一致性检验的方法
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质
CN109697469A (zh) * 2018-12-26 2019-04-30 西北工业大学 一种基于一致性约束的自学习小样本遥感图像分类方法
CN109993125A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
CN110443885A (zh) * 2019-07-18 2019-11-12 西北工业大学 基于随机人脸图像的三维人头脸模型重建方法
CN110807396A (zh) * 2019-10-28 2020-02-18 华南理工大学 基于光照方向一致性的换脸视频篡改检测方法及系统
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 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

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103384234B (zh) * 2012-05-04 2016-09-28 深圳市腾讯计算机系统有限公司 人脸身份认证方法和系统
IL253532B (en) * 2017-07-17 2021-12-01 Au10Tix Ltd System, method and computer software product for analyzing images in JPEG format for forensic and other purposes
CN109284826A (zh) * 2017-07-19 2019-01-29 阿里巴巴集团控股有限公司 神经网络处理方法、装置、设备及计算机可读存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1885310A (zh) * 2006-06-01 2006-12-27 北京中星微电子有限公司 人脸模型训练模块及方法、人脸实时认证系统及方法
CN104239766A (zh) * 2014-08-20 2014-12-24 中广核核电运营有限公司 基于视频和音频的核电站用身份认证方法和系统
CN105046265A (zh) * 2015-03-03 2015-11-11 沈阳工业大学 基于纹理差异的虹膜图像肠环区域检测方法
CN106127170A (zh) * 2016-07-01 2016-11-16 重庆中科云丛科技有限公司 一种融合关键特征点的训练方法、识别方法及系统
WO2018196396A1 (zh) * 2017-04-24 2018-11-01 清华大学 基于一致性约束特征学习的行人再识别方法
CN207472980U (zh) * 2017-11-17 2018-06-08 中国信息通信研究院 一种针对多探头球面近场的探头一致性检测系统
CN108304829A (zh) * 2018-03-08 2018-07-20 北京旷视科技有限公司 人脸识别方法、装置及系统
WO2020037937A1 (zh) * 2018-08-20 2020-02-27 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
CN109087429A (zh) * 2018-09-19 2018-12-25 重庆第二师范学院 基于人脸识别技术的图书馆借书证人证一致性检验的方法
CN109697469A (zh) * 2018-12-26 2019-04-30 西北工业大学 一种基于一致性约束的自学习小样本遥感图像分类方法
CN109508700A (zh) * 2018-12-28 2019-03-22 广州粤建三和软件股份有限公司 一种人脸识别方法、系统及存储介质
CN109993125A (zh) * 2019-04-03 2019-07-09 腾讯科技（深圳）有限公司 模型训练方法、人脸识别方法、装置、设备及存储介质
CN110443885A (zh) * 2019-07-18 2019-11-12 西北工业大学 基于随机人脸图像的三维人头脸模型重建方法
CN110807396A (zh) * 2019-10-28 2020-02-18 华南理工大学 基于光照方向一致性的换脸视频篡改检测方法及系统

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
LDAP的研究及其在统一身份认证系统中的应用;李翔等;计算机应用(S1);全文 *
Local consistency preserved coupled mappings for low-resolution face recognition;Zuodong Yang等;《2013 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference》;全文 *
Xu Tang等.Face Aging with Identity-Preserved Conditional Generative Adversarial Networks.《2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition》.2018,全文. *
吴长虹等.抗年龄干扰的人脸识别.电子学报.2018,(第07期),全文. *
基于识别的凸集投影人脸图像超分辨率重建;黄华等;计算机研究与发展(10);全文 *
宇雪垠等.基于特征脸的人脸识别及实现.河北工业科技.2009,(第05期),全文. *
张淑玲等.基于小波分析的人脸图像特征提取.科学技术与工程.2006,(第12期),全文. *
毛睿 ; .基于小波和PCA的人脸识别系统的研究与实现.科技广场.2017,(第08期),全文. *
赵家成等.SRC-ODP:面向稀疏表示分类器的正交鉴别投影.计算机应用研究.2015,(第10期),全文. *

Also Published As

Publication number Publication date
CN111476189A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476189B (zh) 一种身份识别方法和相关装置
CN111027563A (zh) 一种文本检测方法、装置及识别系统
CN110188829B (zh) 神经网络的训练方法、目标识别的方法及相关产品
CN111222513B (zh) 车牌号码识别方法、装置、电子设备及存储介质
CN111814655B (zh) 目标重识别方法及其网络训练方法、相关装置
CN112132030B (zh) 视频处理方法及装置、存储介质及电子设备
WO2020224221A1 (zh) 跟踪方法、装置、电子设备及存储介质
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN113949582B (zh) 一种网络资产的识别方法、装置、电子设备及存储介质
CN115601791B (zh) 基于Multiformer及离群样本重分配的无监督行人重识别方法
CN110619035A (zh) 识别面试视频中关键词的方法、装置、设备及存储介质
CN114090401B (zh) 处理用户行为序列的方法及装置
CN113723310B (zh) 基于神经网络的图像识别方法及相关装置
CN111950507B (zh) 数据处理和模型训练方法、装置、设备及介质
CN113469002A (zh) 基于区块链互证和生物多特征识别及多源数据融合的身份识别方法
CN112257628A (zh) 一种户外比赛运动员的身份识别方法、装置及设备
CN116524261A (zh) 一种基于多模态小样本持续学习的图像分类方法及产品
CN112949672A (zh) 商品识别方法、装置、设备以及计算机可读存储介质
CN111126177A (zh) 人数统计的方法及装置
CN115965775A (zh) 处理图像中的对象的实例的方法、装置、设备和介质
CN112333182B (zh) 档案处理方法、装置、服务器及存储介质
CN114565791A (zh) 一种人物档案识别方法、装置、设备及介质
CN112883875A (zh) 图像聚类方法、装置、服务器及存储介质
CN112989869B (zh) 人脸质量检测模型的优化方法、装置、设备及存储介质
CN115100419B (zh) 目标检测方法、装置、电子设备及存储介质

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