CN112597850A - 一种身份识别方法及装置 - Google Patents

一种身份识别方法及装置 Download PDF

Info

Publication number
CN112597850A
CN112597850A CN202011477117.0A CN202011477117A CN112597850A CN 112597850 A CN112597850 A CN 112597850A CN 202011477117 A CN202011477117 A CN 202011477117A CN 112597850 A CN112597850 A CN 112597850A
Authority
CN
China
Prior art keywords
modal
features
feature
face
human body
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
CN202011477117.0A
Other languages
English (en)
Other versions
CN112597850B (zh
Inventor
郝敬松
邸德宁
朱树磊
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.)
Zhejiang Dahua Technology Co Ltd
Original Assignee
Zhejiang Dahua 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 Zhejiang Dahua Technology Co Ltd filed Critical Zhejiang Dahua Technology Co Ltd
Priority to CN202011477117.0A priority Critical patent/CN112597850B/zh
Publication of CN112597850A publication Critical patent/CN112597850A/zh
Priority to EP21905669.4A priority patent/EP4256467A4/en
Priority to PCT/CN2021/137513 priority patent/WO2022127740A1/en
Application granted granted Critical
Publication of CN112597850B publication Critical patent/CN112597850B/zh
Priority to US18/210,628 priority patent/US20230326256A1/en
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
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/70—Multimodal biometrics, e.g. combining information from different biometric modalities
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • 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
    • 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
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • 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
    • G06V40/50—Maintenance of biometric data or enrolment thereof

Landscapes

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

Abstract

本发明实施例提供了一种身份识别方法及装置，其中，所述方法包括：获取包括测试对象的待识别图像；根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。

Description

一种身份识别方法及装置
技术领域
本发明涉及身份识别技术领域，特别涉及一种身份识别方法及装置。
背景技术
人脸识别是一种根据面部图像进行身份识别的技术，具体地，首先对人脸图像提取特征向量，然后通过一定的相似性度量函数计算向量之间的相似度，目前主流的方案是基于卷积神经网络CNN进行特征提取，使用余弦函数进行相似度计算。在一般的应用模式中，需要先采集多个目标人员的人脸图像，然后将这些人脸图像提取的特征作为注册库，然后对视频中的人脸进行特征提取，并与注册库中的特征进行比对，超过相似度阈值则识别为该特征对应的目标人员。
然而，在复杂场景中存在人脸大角度、遮挡等问题，将会导致比较严重的身份漏报问题。此外，随着时间的推移，所采集的注册图像与被测的测试图像之间的年龄跨度等变化越来越大，整个身份识别的准确率越来越低。
另外，现有技术中的行人重识别ReID是一种类似人脸识别的技术，其主要是依靠人体信息进行特征提取和比对，对于短期的人脸遮挡、大角度等更加鲁棒，但是无法应对换装等变换，一般常用来确定人员的轨迹，整个过程无法确定人员身份信息。
可见，现有身份识别存在精确度较低的技术问题。
发明内容
本发明实施例提供了一种身份识别方法及装置，用于提高身份识别精确度。
第一方面，本发明实施例提供了一种身份识别方法，包括：
获取包括测试对象的待识别图像；
根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
在其中一种可能的实现方式中，在所述将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对之前，所述方法还包括：
在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
根据所述测试对象的所述多模态特征中的人体特征，确定各所述样本图像对应的人体特征；
建立包括所述至少一个样本图像的至少一个多模态特征集合的特征注册库，所述特征注册库中各所述样本图像对应所述至少一个多模态特征集合中包括相应人脸特征和人体特征的一个多模态特征集合。
在其中一种可能的实现方式中，所述将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，包括：
将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数；
按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和；
根据所述加权和，确定最高比对分数对应的目标多模态集合。
在其中一种可能的实现方式中，采用以下公式确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和：
S＝a*d(pfface,gfface(t))+(1-a)*d(pfbody,gfbody(t))
其中，S表示每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，pfface表示所述多模态特征中的人脸特征，pfbody表示所述多模态特征中的人体特征，gfface(t)表示每个所述多模态特征集合中的人脸特征，gfbody(t)表示每个所述多模态特征集合中的人体特征，d表示相似度度量函数，a表示预设权重。
在其中一种可能的实现方式中，若所述最高比对分数大于预设阈值，在所述从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，所述方法还包括：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合；
将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库。
在其中一种可能的实现方式中，若所述最高比对分数大于预设阈值，在所述从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，所述方法还包括：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征；
获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合；
将所述第二多模态集合录入所述特征注册库，获得更新后的特征注册库。
在其中一种可能的实现方式中，采用以下公式获得所述加权计算后的人脸特征：
gfface(t+1)＝(1-S)*gfface(t)+S*pfface
其中，S表示所述最高比对分数，gfface(t)表示所述目标多模态特征集合中的人脸特征，pfface表示所述多模态特征中的人脸特征，gfface(t+1)表示所述加权计算后的人脸特征。
在其中一种可能的实现方式中，采用以下公式获得加权计算后的人体特征：
gfbody(t+1)＝(1-S)gfbody(t)+S*pfbody
其中，S表示所述最高比对分数，gfbody(t)表示所述目标多模态特征集合中的人体特征，pfbody表示所述多模态特征中的人体特征，gfbody(t+1)表示所述加权计算后的人体特征。
第二方面，本发明实施例提供了一种身份识别装置，包括：
获取单元，用于获取包括测试对象的待识别图像；
提取单元，用于根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
比对单元，用于将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
识别单元，用于确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
在其中一种可能的实现方式中，所述装置还包括建立单元用于：
在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
根据所述测试对象的所述多模态特征，确定各所述样本图像对应的人体特征；
建立包括所述至少一个样本图像的特征注册库，所述特征注册库中各所述样本图像对应包括对应人脸特征和人体特征的一个多模态特征集合。
在其中一种可能的实现方式中，所述比对单元用于：
将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数；
按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和；
根据所述加权和，确定最高比对分数对应的目标多模态集合。
在其中一种可能的实现方式中，所述比对单元用于：
采用以下公式确定每个所述多模态特征集合与各模态特征之间的比对分数的加权和：
S＝a*d(pfface,gfface(t))+(1-a)*d(pfbody,gfbody(t))
其中，S表示每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，pfface表示所述多模态特征中的人脸特征，pfbody表示所述多模态特征中的人体特征，gfface(t)表示每个所述多模态特征集合中的人脸特征，gfbody(t)表示每个所述多模态特征集合中的人体特征，d表示相似度度量函数，a表示预设权重。
在其中一种可能的实现方式中，若所述最高比对分数大于预设阈值，所述装置还包括第一更新单元，所述第一更新单元用于：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合；
将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库。
在其中一种可能的实现方式中，若所述最高比对分数大于预设阈值，所述装置还包括第二更新单元，所述第二更新单元用于：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征；
获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合；
将所述第二多模态集合录入所述特征注册库，获得更新后的特征注册库。
在其中一种可能的实现方式中，所述第一更新单元或所述第二更新单元用于：
采用以下公式获得所述加权计算后的人脸特征：
gfface(t+1)＝(1-S)*gfface(t)+S*pfface
其中，S表示所述最高比对分数，gfface(t)表示所述目标多模态特征集合中的人脸特征，pfface表示所述多模态特征中的人脸特征，gfface(t+1)表示所述加权计算后的人脸特征。
在其中一种可能的实现方式中，所述第二更新单元用于采用以下公式获得加权计算后的人体特征：
gfbody(t+1)＝(1-S)gfbody(t)+S*pfbody
其中，S表示所述最高比对分数，gfbody(t)表示所述目标多模态特征集合中的人体特征，pfbody表示所述多模态特征中的人体特征，gfbody(t+1)表示所述加权计算后的人体特征。
第三方面，本发明实施例还提供了一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上面所述的身份识别方法的步骤。
第四方面，本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上面所述的身份识别方法的步骤。
本发明的有益效果如下：
本发明实施例提供了一种身份识别方法及装置，首先，获取包括测试对象的待识别图像，然后，根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征，然后，将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，也就是说，将测试对象的至少包括人脸特征和人体特征的多模态特征，与预先建立的特征注册库中每个至少融合了人脸特征和人体特征的多模态特征集合包括的模态特征进行比对，从而实现了不同模态特征之间的融合互补，进一步地，从预先建立的特征注册库中的至少一个多模态特征集合中确定出最高比对分数对应的目标多模态集合，从而根据该目标多模态集合中的人脸特征所对应的身份信息，确定出测试对象的身份信息，进而实现了对测试对象的身份识别。整个身份识别的过程主要采用融合的方式利用多模态特征，取长补短，可以充分利用各个模态特征的算法优势，规避各自的不足，比如，人脸识别难以应对遮挡问题，人体识别难以应对换装问题，采用多模态特征融合来进行身份识别，可以同时兼具人脸识别和人体识别的优点，从而提高了身份识别的精确度。
附图说明
图1为本发明实施例提供的一种身份识别方法的方法流程图；
图2为本发明实施例提供的一种身份识别方法中在步骤S103之前的其中一种方法流程图；
图3为本发明实施例提供的一种身份识别方法中步骤S103的方法流程图；
图4为本发明实施例提供的一种身份识别方法中特征注册库更新的第一种实现方式的方法流程图；
图5为本发明实施例提供的一种身份识别方法中特征注册库更新的第二种实现方式的方法流程图；
图6为本发明实施例提供的一种身份识别装置的其中一种结构示意图。
具体实施方式
本发明的说明书和权利要求书及上述附图中的“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互结合。
在复杂场景中，往往存在人脸大角度、遮挡等问题，从而导致身份识别的漏识别与误识别，身份识别精确度较低。此外，对于现有技术中还采用了行人重识别来依靠人体信息进行特征提取和比对，以此确定目标对象的轨迹信息，整个过程不仅根据人体信息无法确定目标身份，而且一旦目标对象换装便无法精确识别。
鉴于此，本发明实施例提供了一种身份识别方法及装置，用于提高身份识别精确度。
如图1所示，本发明实施例提供了一种身份识别方法，包括：
S101：获取包括测试对象的待识别图像；
在具体实施过程中，所述待识别图像可以是通过图像采集单元所采集的图像，还可以是通过其它渠道所获取到的图像，比如，从云端下载的图像，在此不做限定。
S102：根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
在具体实施过程中，所述多模态特征所包括的模态特征不同，相应地，所采用的预先建立的特征提取模型也可以有所不同，在所述多模态特征包括人脸特征和人体特征时，可以分别通过预先建立的人脸识别特征提取模型从所述待识别图像中提取出所述测试对象的人脸特征，通过预先建立的人体识别特征模型从所述待识别图像中提取出所述测试对象的人体特征，比如，所获取的人脸特征为pfface，所获取的人体特征为pfbody，相应地，构建包括了人脸特征pfface和人体特征pfbody的集合，该集合为所述测试对象对应的多模态特征。此外，所述多模态特征还可以包括除人脸特征和人体特征之外的头肩特征、步态特征，等，具体可以根据实际应用需要来设定所述多模态特征所包括的各个模态特征，在此不做限定。
S103：将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
在本发明实施例中，预先建立的特征注册库包括至少一个多模态特征集合，所述至少一个多模态特征集合可以是一个还可以是多个，在此不做限定。在提取所述测试对象的多模态特征之后，可以将所述多模态特征与所述特征注册库中的每个多模态集合中的模态特征进行比对，从所述特征注册库中的所述至少一个多模态特征集合中确定出最高比对分数对应的目标多模态集合。比如，所述多模态特征包括人脸特征和人体特征，所述特征注册库中每个多模态特征集合包括人脸特征和人体特征，可以是将包括人脸特征和人体特征的所述多模态特征，与所述特征注册库中每个融合了人脸特征和人体特征的多模态特征集合中的模态特征进行比对。再比如，所述多模态特征包括人脸特征、人体特征和头肩特征，所述特征注册库中每个多模态特征集合包括人脸特征、人体特征和头肩特征，可以是将包括人脸特征、人体特征和头肩特征的所述多模态特征，与所述特征注册库中每个融合了人脸特征、人体特征和头肩特征的多模态特征集合中的模态特征进行比对。对于所述多模态特征的其它比对情况，在此不再一一详述了。在对所述特征注册库中所述至少一个多模态特征集合的每个多模态特征集合进行比对之后，便可以从所述至少一个多模态特征集合中确定出最高比对分数所对应的目标多模态集合。
S104：确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
在具体实施过程中，在确定出最高比对分数对应的所述目标多模态集合之后，可以确定所述目标多模态集合包括的目标人脸特征，从而确定所述目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息，从而实现了对测试对象的身份识别，由于整个识别过程是根据融合特征所进行的，从而提高了身份识别的精确度。
在本发明实施例中，如图2所示，在步骤S103：将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之前，所述方法还包括：
S201：在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
S202：根据所述测试对象的所述多模态特征中的人体特征，确定各所述样本图像对应的人体特征；
S203：建立包括所述至少一个样本图像的至少一个多模态特征集合的特征注册库，所述特征注册库中各所述样本图像对应所述至少一个多模态特征集合中包括相应人脸特征和人体特征的一个多模态特征集合。
在具体实施过程中，步骤S201至步骤S203的具体实现过程如下：
在对所述测试对象的所述多模态特征进行比对之前，预先特征注册库，具体来讲，在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各样本图像对应的人脸特征，其中，至少一个样本图像可以是多个，每个样本图像对应一个样本对象，也就是说，预先录入各样本对象的样本图像，根据预先建立的人脸识别特征提取模型提取各样本图像对应的人脸特征，从而建立了各样本对象的人脸底库G(0)，每个对象仅包括一个人脸特征{gfface(0)}，从而实现对人脸特征的预先录入。由于初始注册阶段只需要预先录入人脸特征，从而简化了身份识别的复杂度，此外，整个身份识别过程只需要预先录入单模态的人脸特征，对于大规模场景更加实用。然后，根据所述测试对象的多模态特征中的人体特征，确定各所述样本图像对应的人体特征，也就是说，在对所述测试对象进行身份识别时，可以将所述测试对象的所述多模态特征中的人体特征作为各所述样本图像对应的人体特征，然后，建立包括所述至少一个样本图像的至少一个多模态特征集合的特征注册库，所述特征注册库中各样本图像对应所述至少一个多模态特征集合中包括相应人脸特征和人体特征的一个多模态特征集合，后续便可以将所述测试对象的所述多模态特征与所述特征注册库中的各模态特征集合中融合有人脸特征和人体特征的模态特征进行比对，从而提高了对测试对象的身份识别的精确度。在所述多模态特征除包括人脸特征和人体特征之外的其它模态特征时，还可以将所述测试对象对应的其它模态特征确定为各所述样本图像对应的模态特征，在此不做详述。
在本发明实施例中，如图3所示，步骤S103：将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，包括：
S301：将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数；
S302：按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和；
S303：根据所述加权和，确定最高比对分数对应的目标多模态集合。
在具体实施过程中，步骤S301至步骤S302的具体实现过程如下：
首先，将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数，从而实现对融合了多模态特征的比对。比如，所述多模态特征包括人脸特征和人体特征，将所述多模态特征中的人脸特征与每个所述多模态特征集合中的人脸特征进行比对，得到人脸特征的比对分数，将所述多模态特征中的人体特征与每个所述多模态特征集合中的人体特征进行比对，得到人体特征的比对分数，然后，按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，将该加权和作为相应多模态特征集合的最终得分，相较于单模态的人脸特征，或者单模态的人体特征比对来说，充分利用各特征之间的互补性，避免了各自比对的缺陷，提高了比对的精确度。然后，根据所述加权和，从所述至少一个多模态集合中确定出最高比对分数对应的目标多模态集合，进而根据所述目标多模态集合进行人脸身份识别，提高了识别的精确度。
在本发明实施例中，可以采用以下公式确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和：
S＝a*d(pfface,gfface(t))+(1-a)*d(pfbody,gfbody(t))
其中，S表示每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，pfface表示所述多模态特征中的人脸特征，pfbody表示所述多模态特征中的人体特征，gfface(t)表示每个所述多模态特征集合中的人脸特征，gfbody(t)表示每个所述多模态特征集合中的人体特征，d表示相似度度量函数，a表示预设权重，t＝0表示所述初始注册阶段，t>0表示更新阶段。
在具体实施过程中，所述相似度度量函数可以是余弦相似度函数，还可以是欧氏距离函数等，在此不做限定。在所述多模态特征包括人脸特征和人体特征时，所述预设权重用于决定人脸特征和人体特征的加权比例，由于所述初始注册阶段，所述特征注册库中只录入有人脸特征，在所述初始注册阶段，所述预设权重可以为1，除了所述初始注册阶段之外的其它阶段，预设权重可以为0.6，还可以设置为0.5，还可以设置为0.3，具体可以根据实际应用需要来设置预设权重在其它阶段的具体数值大小，在此不做限定。在采用上述公式确定出所述测试对象的融合了人脸特征和人体特征的所述多模态特征与所述特征注册库中各模态特征集合中的模态特征之间的比对分数的加权和之后，就可以确定出最高比对分数所对应目标模态特征集合。
在本发明实施例中，结合图4和图5所示，若所述最高比对分数大于预设阈值，可以采用以下两种实现方式来对预先建立的特征注册库进行更新，但又不仅限于以下两种实现方式，如图4所示，在步骤S103：将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，第一种实现方式包括：
S401：对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
S402：获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合；
S403：将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库。
在具体实施过程中，步骤S401至步骤S403的具体实现过程如下：
在从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，可以对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征，所述加权计算后的人脸特征融合了当前测试对象的人脸特征以及所述目标多模态集合中的历史的人脸特征。然后，获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合，然后，将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库，如此一来，在对各测试对象进行身份识别的过程中，可以实时录入人体特征，实时更新人体特征，以及实时更新人脸特征，进而实现了对特征注册库的实时更新，进一步提高了识别精确度。此外，通过加权求和的方式获得定长特征，不会额外增加资源消耗，而且随着时间的推移，所述特征注册库的中的各模态特征更加健壮，相应地，识别精确度越来越高。
在本发明实施例中，如图5所示，在步骤S103：将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，第二种实现方式包括：
S501：对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
S502：对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征；
S503：获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合；
S504：将所述第二多模态集合录入所述特征注册库，获得更新后的特征注册库。
在具体实施过程中，步骤S501至步骤S504的具体实现过程如下：
在从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，可以对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征，所述加权计算后的人脸特征融合了当前测试对象的人脸特征以及所述目标多模态集合中的历史的人脸特征。相应地，对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征，所述加权计算后的人体特征融合了当前测试对象的人体特征以及历史测试对象对应的所述目标多模态集合中的历史的人体特征。然后，获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合，然后，将所述第二多模态特征集合录入所述特征注册库，获得更新后的特征注册库，如此一来，在对各测试对象进行身份识别的过程中，可以实时更新人脸特征，还可以实时更新人体特征，进而实现了对特征注册库的实时更新，进一步提高了识别精确度。
在本发明实施例中，可以采用以下公式获得所述加权计算后的人脸特征：
gfface(t+1)＝(1-S)*gfface(t)+S*pfface
其中，S表示所述最高比对分数，gfface(t)表示所述目标多模态特征集合中的人脸特征，pfface表示所述多模态特征中的人脸特征，gfface(t+1)表示所述加权计算后的人脸特征。
在具体实施过程中，gfface(t)对应的人脸特征实质上为历史的人脸特征，pfface对应的人脸特征实质上为当前测试对象的人脸特征，所述加权计算后的人脸特征可以为更新后的人脸特征，从而实现了对所述特征注册库中人脸底库的更新，由于更新后的人脸底库包括了人脸特征的历史信息以及人脸特征的实时信息，从而提高了身份识别的精确度。
在本发明实施例中，可以采用以下公式获得加权计算后的人体特征：
gfbody(t+1)＝(1-S)gfbody(t)+S*pfbody
其中，S表示所述最高比对分数，gfbody(t)表示所述目标多模态特征集合中的人体特征，pfbody表示所述多模态特征中的人体特征，gfbody(t+1)表示所述加权计算后的人体特征。
在具体实施过程中，gfbody(t)对应的人脸特征实质上为历史的人体特征，pfbody对应的人体特征实质上为当前测试对象的人体特征，所述加权计算后的人体特征可以为更新后的人体特征，从而实现了对所述特征注册库中多模态特征集合中的人体特征的更新，由于更新后的特征注册库包括了人体特征的历史信息以及人体特征的实时信息，有效避免了长时间跨度下人脸识别准确率不高的技术问题，提高了身份识别的精确度。
在具体实施过程中，在对所述测试对象进行对比之后，针对所述初始注册阶段的特征注册库的更新，所述特征注册库更新后的人体特征gfbody(t+1)可以为pfbody，后续对其它测试对象进行识别时，可以根据更新后的特征注册库进行比对。此外，通过加权求和的方式获得定长特征，不会额外增加资源消耗，而且随着时间的推移，所述特征注册库的中的各模态特征更加健壮，相应地，识别精确度越来越高。
基于同一发明构思，如图6所示，本发明实施例提供了一种身份识别装置，包括：
获取单元10，用于获取包括测试对象的待识别图像；
提取单元20，用于根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
比对单元30，用于将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
识别单元40，用于确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
在具体实施过程中，对于身份识别装置的具体实现具体可以参见上述身份识别方法部分的描述，在此不再赘述。
在本发明实施例中，所述装置还包括建立单元用于：
在初始注册阶段，通过预先建立的身份识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
根据所述测试对象的所述多模态特征，确定各所述样本图像对应的人体特征；
建立包括所述至少一个样本图像的特征注册库，所述特征注册库中各所述样本图像对应包括对应人脸特征和人体特征的一个多模态特征集合。
在本发明实施例中，所述比对单元30用于：
将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数；
按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和；
根据所述加权和，确定最高比对分数对应的目标多模态集合。
在本发明实施例中，所述比对单元30用于：
采用以下公式确定每个所述多模态特征集合与各模态特征之间的比对分数的加权和：
S＝a*d(pfface,gfface(t))+(1-a)*d(pfbody,gfbody(t))
其中，S表示每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，pfface表示所述多模态特征中的人脸特征，pfbody表示所述多模态特征中的人体特征，gfface(t)表示每个所述多模态特征集合中的人脸特征，gfbody(t)表示每个所述多模态特征集合中的人体特征，d表示相似度度量函数，a表示预设权重。
在本发明实施例中，若所述最高比对分数大于预设阈值，所述装置还包括第一更新单元，所述第一更新单元用于：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合；
将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库。
在本发明实施例中，若所述最高比对分数大于预设阈值，所述装置还包括第二更新单元，所述第二更新单元用于：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征；
获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合；
将所述第二多模态集合录入所述特征注册库，获得更新后的特征注册库。
在本发明实施例中，所述第一更新单元或所述第二更新单元用于：
采用以下公式获得所述加权计算后的人脸特征：
gfface(t+1)＝(1-S)*gfface(t)+S*pfface
其中，S表示所述最高比对分数，gfface(t)表示所述目标多模态特征集合中的人脸特征，pfface表示所述多模态特征中的人脸特征，gfface(t+1)表示所述加权计算后的人脸特征。
在本发明实施例中，所述第二更新单元用于采用以下公式获得加权计算后的人体特征：
gfbody(t+1)＝(1-S)gfbody(t)+S*pfbody
其中，S表示所述最高比对分数，gfbody(t)表示所述目标多模态特征集合中的人体特征，pfbody表示所述多模态特征中的人体特征，gfbody(t+1)表示所述加权计算后的人体特征。
基于同一发明构思，本发明实施例还提供了一种计算机装置，所述计算机装置包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现如上面所述的身份识别方法的步骤。
基于同一发明构思，本发明实施例还提供了一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上面所述的身份识别方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (10)

1.一种身份识别方法，其特征在于，包括：
获取包括测试对象的待识别图像；
根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
2.如权利要求1所述的方法，其特征在于，在所述将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对之前，所述方法还包括：
在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
根据所述测试对象的所述多模态特征中的人体特征，确定各所述样本图像对应的人体特征；
建立包括所述至少一个样本图像的至少一个多模态特征集合的特征注册库，所述特征注册库中各所述样本图像对应所述至少一个多模态特征集合中包括相应人脸特征和人体特征的一个多模态特征集合。
3.如权利要求1所述的方法，其特征在于，所述将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，包括：
将所述多模态特征中的各模态特征与所述特征注册库中所述至少一个多模态特征集合中的每个所述多模态特征集合包括的模态特征进行比对，得到各模态特征的比对分数；
按集合为单位，确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和；
根据所述加权和，确定最高比对分数对应的目标多模态集合。
4.如权利要求3所述的方法，其特征在于，采用以下公式确定每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和：
S＝a*d(pfface,gfface(t))+(1-a)*d(pfbody,gfbody(t))
其中，S表示每个所述多模态特征集合与所述多模态特征中的各模态特征之间的比对分数的加权和，pfface表示所述多模态特征中的人脸特征，pfbody表示所述多模态特征中的人体特征，gfface(t)表示每个所述多模态特征集合中的人脸特征，gfbody(t)表示每个所述多模态特征集合中的人体特征，d表示相似度度量函数，a表示预设权重。
5.如权利要求1所述的方法，其特征在于，若所述最高比对分数大于预设阈值，在所述从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，所述方法还包括：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
获得包括所述加权计算后的人脸特征和所述多模态特征中的人体特征的第一多模态特征集合；
将所述第一多模态特征集合录入所述特征注册库，获得更新后的特征注册库。
6.如权利要求1所述的方法，其特征在于，若所述最高比对分数大于预设阈值，在所述从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合之后，所述方法还包括：
对所述目标多模态集合中的人脸特征和所述多模态特征中的人脸特征进行加权计算，获得加权计算后的人脸特征；
对所述目标多模态集合中的人体特征和所述多模态特征中的人体特征进行加权计算，获得加权计算后的人体特征；
获得包括所述加权计算后的人脸特征和所述加权计算后的人体特征的第二多模态集合；
将所述第二多模态集合录入所述特征注册库，获得更新后的特征注册库。
7.如权利要求5或6所述的方法，其特征在于，采用以下公式获得所述加权计算后的人脸特征：
gfface(t+1)＝(1-S)*gfface(t)+S*pfface
其中，S表示所述最高比对分数，gfface(t)表示所述目标多模态特征集合中的人脸特征，pfface表示所述多模态特征中的人脸特征，gfface(t+1)表示所述加权计算后的人脸特征。
8.如权利要求6所述的方法，其特征在于，采用以下公式获得加权计算后的人体特征：
gfbody(t+1)＝(1-S)gfbody(t)+S*pfbody
其中，S表示所述最高比对分数，gfbody(t)表示所述目标多模态特征集合中的人体特征，pfbody表示所述多模态特征中的人体特征，gfbody(t+1)表示所述加权计算后的人体特征。
9.一种身份识别装置，其特征在于，包括：
获取单元，用于获取包括测试对象的待识别图像；
提取单元，用于根据预先建立的特征提取模型从所述待识别图像中提取所述测试对象的多模态特征，所述多模态特征至少包括人脸特征和人体特征；
比对单元，用于将所述多模态特征与预先建立的特征注册库中的至少一个多模态特征集合中各所述多模态集合包括的模态特征进行比对，从所述至少一个多模态特征集合中确定最高比对分数对应的目标多模态集合，其中，所述至少一个多模态特征集合中各所述多模态特征集合至少融合了人脸特征和人体特征；
识别单元，用于确定所述目标多模态集合包括的目标人脸特征对应的身份信息，将所述目标人脸特征对应的身份信息确定为所述测试对象的身份信息。
10.如权利要求9所述的装置，其特征在于，所述装置还包括建立单元用于：
在初始注册阶段，通过预先建立的人脸识别特征提取模型提取至少一个样本图像中各所述样本图像对应的人脸特征；
根据所述测试对象的所述多模态特征，确定各所述样本图像对应的人体特征；
建立包括所述至少一个样本图像的特征注册库，所述特征注册库中各所述样本图像对应包括对应人脸特征和人体特征的一个多模态特征集合。
CN202011477117.0A 2020-12-15 2020-12-15 一种身份识别方法及装置 Active CN112597850B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011477117.0A CN112597850B (zh) 2020-12-15 2020-12-15 一种身份识别方法及装置
EP21905669.4A EP4256467A4 (en) 2020-12-15 2021-12-13 IDENTITY RECOGNITION METHOD AND APPARATUS, COMPUTER APPARATUS AND READABLE NON-TRANSITORY STORAGE MEDIUM
PCT/CN2021/137513 WO2022127740A1 (en) 2020-12-15 2021-12-13 Identity recognition method and apparatus, computer apparatus, readable non-transitory storage medium
US18/210,628 US20230326256A1 (en) 2020-12-15 2023-06-15 Identity recognition method, computer apparatus, non-transitory computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011477117.0A CN112597850B (zh) 2020-12-15 2020-12-15 一种身份识别方法及装置

Publications (2)

Publication Number Publication Date
CN112597850A true CN112597850A (zh) 2021-04-02
CN112597850B CN112597850B (zh) 2022-04-19

Family

ID=75195651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011477117.0A Active CN112597850B (zh) 2020-12-15 2020-12-15 一种身份识别方法及装置

Country Status (4)

Country Link
US (1) US20230326256A1 (zh)
EP (1) EP4256467A4 (zh)
CN (1) CN112597850B (zh)
WO (1) WO2022127740A1 (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449596A (zh) * 2021-05-26 2021-09-28 科大讯飞股份有限公司 对象重识别方法以及电子设备、存储装置
CN113807229A (zh) * 2021-09-13 2021-12-17 深圳市巨龙创视科技有限公司 智慧教室非接触式考勤装置、方法、设备及存储介质
CN113989886A (zh) * 2021-10-22 2022-01-28 中远海运科技股份有限公司 基于人脸识别的船员身份验证方法
WO2022127740A1 (en) * 2020-12-15 2022-06-23 Zhejiang Dahua Technology Co., Ltd. Identity recognition method and apparatus, computer apparatus, readable non-transitory storage medium
CN113449596B (zh) * 2021-05-26 2024-06-04 科大讯飞股份有限公司 对象重识别方法以及电子设备、存储装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332093A (zh) * 2011-09-19 2012-01-25 汉王科技股份有限公司 一种掌纹和人脸融合识别的身份认证方法及装置
CN105825176A (zh) * 2016-03-11 2016-08-03 东华大学 基于多模态非接触身份特征的识别方法
KR20200013271A (ko) * 2018-07-13 2020-02-07 동국대학교 산학협력단 딥 러닝 기반의 사용자 몸을 이용한 신원 인식 장치 및 방법
CN111507232A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 多模态多策略融合的陌生人识别方法和系统
CN111563245A (zh) * 2020-05-15 2020-08-21 支付宝(杭州)信息技术有限公司 用户身份识别方法、装置、设备及介质
CN111931718A (zh) * 2020-09-22 2020-11-13 深圳市视美泰技术股份有限公司 基于人脸识别更新人脸特征的方法、装置和计算机设备
CN111968152A (zh) * 2020-07-15 2020-11-20 桂林远望智能通信科技有限公司 一种动态身份识别方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100478979C (zh) * 2002-11-26 2009-04-15 中国科学院计算技术研究所 利用身材信息辅助人脸信息的身份识别方法
CN105224849B (zh) * 2015-10-20 2019-01-01 广州广电运通金融电子股份有限公司 一种多生物特征融合身份鉴别方法以及装置
CN111507311B (zh) * 2020-05-22 2024-02-20 南京大学 一种基于多模态特征融合深度网络的视频人物识别方法
CN111639616B (zh) * 2020-06-05 2023-05-23 上海一由科技有限公司 一种基于深度学习的重身份识别方法
CN112597850B (zh) * 2020-12-15 2022-04-19 浙江大华技术股份有限公司 一种身份识别方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102332093A (zh) * 2011-09-19 2012-01-25 汉王科技股份有限公司 一种掌纹和人脸融合识别的身份认证方法及装置
CN105825176A (zh) * 2016-03-11 2016-08-03 东华大学 基于多模态非接触身份特征的识别方法
KR20200013271A (ko) * 2018-07-13 2020-02-07 동국대학교 산학협력단 딥 러닝 기반의 사용자 몸을 이용한 신원 인식 장치 및 방법
CN111507232A (zh) * 2020-04-10 2020-08-07 三一重工股份有限公司 多模态多策略融合的陌生人识别方法和系统
CN111563245A (zh) * 2020-05-15 2020-08-21 支付宝(杭州)信息技术有限公司 用户身份识别方法、装置、设备及介质
CN111968152A (zh) * 2020-07-15 2020-11-20 桂林远望智能通信科技有限公司 一种动态身份识别方法及装置
CN111931718A (zh) * 2020-09-22 2020-11-13 深圳市视美泰技术股份有限公司 基于人脸识别更新人脸特征的方法、装置和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张琪: "基于虹膜和人脸融合的移动端身份识别", 《中国博士学位论文全文数据库 (信息科技辑)》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022127740A1 (en) * 2020-12-15 2022-06-23 Zhejiang Dahua Technology Co., Ltd. Identity recognition method and apparatus, computer apparatus, readable non-transitory storage medium
CN113449596A (zh) * 2021-05-26 2021-09-28 科大讯飞股份有限公司 对象重识别方法以及电子设备、存储装置
CN113449596B (zh) * 2021-05-26 2024-06-04 科大讯飞股份有限公司 对象重识别方法以及电子设备、存储装置
CN113807229A (zh) * 2021-09-13 2021-12-17 深圳市巨龙创视科技有限公司 智慧教室非接触式考勤装置、方法、设备及存储介质
CN113989886A (zh) * 2021-10-22 2022-01-28 中远海运科技股份有限公司 基于人脸识别的船员身份验证方法
CN113989886B (zh) * 2021-10-22 2024-04-30 中远海运科技股份有限公司 基于人脸识别的船员身份验证方法

Also Published As

Publication number Publication date
CN112597850B (zh) 2022-04-19
EP4256467A1 (en) 2023-10-11
EP4256467A4 (en) 2024-05-15
WO2022127740A1 (en) 2022-06-23
US20230326256A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
CN112597850B (zh) 一种身份识别方法及装置
CN110909651B (zh) 视频主体人物的识别方法、装置、设备及可读存储介质
JP6525453B2 (ja) オブジェクト位置推定システム、及びそのプログラム
US20170161591A1 (en) System and method for deep-learning based object tracking
CN104599287B (zh) 对象跟踪方法和装置、对象识别方法和装置
EP2980728A1 (en) Procedure for identifying a hand gesture
CN111402294A (zh) 目标跟踪方法、装置、计算机可读存储介质和计算机设备
JP2008250999A (ja) 対象物追跡方法、対象物追跡装置および対象物追跡プログラム
CN108256454B (zh) 一种基于cnn模型的训练方法、人脸姿态估测方法及装置
CN114155284A (zh) 基于多目标行人场景的行人跟踪方法、装置、设备及介质
CN102324042A (zh) 视觉识别系统及视觉识别方法
CN112329645A (zh) 图像检测方法、装置、电子设备及存储介质
CN112633084A (zh) 人脸框确定方法、装置、终端设备及存储介质
CN112633221A (zh) 一种人脸方向的检测方法及相关装置
KR102185979B1 (ko) 동영상에 포함된 객체의 운동 유형을 결정하기 위한 방법 및 장치
CN112258647B (zh) 地图重建方法及装置、计算机可读介质和电子设备
CN111783677B (zh) 人脸识别方法、装置、服务器和计算机可读介质
CN111291780A (zh) 一种跨域网络训练及图像识别方法
CN112926364B (zh) 头部姿态的识别方法及系统、行车记录仪和智能座舱
CN115376210B (zh) 泳池防溺水的溺水行为识别方法、装置、设备及介质
JP6393495B2 (ja) 画像処理装置および物体認識方法
CN112966670A (zh) 人脸识别方法、电子设备及存储介质
CN112766230A (zh) 一种视频流人员在线时长估计方法及对应系统
Usabiaga et al. Recognizing simple human actions using 3D head movement
US20230377188A1 (en) Group specification apparatus, group specification method, and computer-readable recording medium

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