CN113516003A - 一种应用于智慧安防的基于识别模型的识别方法及装置 - Google Patents
一种应用于智慧安防的基于识别模型的识别方法及装置 Download PDFInfo
- Publication number
- CN113516003A CN113516003A CN202110261647.XA CN202110261647A CN113516003A CN 113516003 A CN113516003 A CN 113516003A CN 202110261647 A CN202110261647 A CN 202110261647A CN 113516003 A CN113516003 A CN 113516003A
- Authority
- CN
- China
- Prior art keywords
- identification
- features
- target
- feature
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 claims description 140
- 238000000605 extraction Methods 0.000 claims description 44
- 230000009471 action Effects 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000001815 facial effect Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 230000004913 activation Effects 0.000 description 11
- 238000011176 pooling Methods 0.000 description 11
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 210000002268 wool Anatomy 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001396014 Priacanthus arenatus Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于智慧安防的基于识别模型的识别方法、装置、计算机设备和存储介质，所述方法包括：基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。因此，采用本申请实施例，由于引入了识别模型，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型，由于在未存在遮挡现象的情况下，对人脸图像的人脸区域进行识别，能够快速地识别出目标人脸，而在存在遮挡现象的情况下，还可以通过其它识别子模型对目标行人进行识别，以有效地提高识别的精准度。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种应用于智慧安防的基于识别模型的识别方法及装置。
背景技术
随着人工智能设备的推广和广泛使用，人脸识别技术也得到广泛应用。现有技术中，人脸识别过程包括图像采集、图像预处理、图像特征提取和人脸识别多个步骤。
图像采集过程通过摄像头对人脸进行拍摄，得到多张人脸图像；图像预处理过程包括对人脸图像进行图像降噪处理，或者，对人脸图像中的目标人脸进行美颜处理等处理过程；图像特征提取过程包括对预处理得到的人脸图像进行人脸特征提取；人脸识别过程是对从多个图像中提取出的各个人脸特征进行特征和识别，最终得到人脸识别结果。
若人脸图像中的人脸存在严重被遮挡现象时，再加上现有人脸识别模型本身的识别精准率并不高，这样，将大大降低人脸识别结果的准确率；若将该人脸识别结果应用于智慧安防领域，也无法识别出可疑行人的目标人脸。
发明内容
本发明实施例的目的在于提供一种应用于智慧安防的基于识别模型的识别方法、装置、计算机设备和存储介质，以解决上述技术问题。
第一方面，本申请实施例提供了一种应用于智慧安防的基于识别模型的识别方法，所述方法包括：
获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征所述目标对象的人脸区域特征的第一类别目标特征；
通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；
基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选，筛选出符合所述预设筛选条件的多个识别图像；
将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，所述识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
基于每一类别的识别特征的类别权重值，分别将所述识别对象对应的各个识别特征和所述目标对象对应的各个识别特征进行特征比对，预测所述识别对象和所述目标对象之间的相似度，输出至少包括相似度数值的识别结果。
在一种实施方式中，所述获取目标对象的多个类别的目标特征还包括：
获取所述目标对象的第二类别的目标特征，所述第二类别的目标特征用于表征目标对象的体态特征；和/或，
获取所述目标对象的第三类别的目标特征，所述第三类别的目标特征用于表征所述目标对象的身体姿态特征；和/或，
获取所述目标对象的第四类别的目标特征，所述第四类别的目标特征用于表征所述目标对象的穿衣风格特征；和/或，
获取所述目标对象的第五类别的目标特征，所述第五类别的目标特征用于表征所述目标对象的服饰特征。
在一种实施方式中，所述识别模型还包括能够对所述识别对象的体态特征进行识别的第二识别子模型、能够对所述识别对象的身体姿态特征进行识别的第三识别子模型、能够对所述识别对象的穿衣风格特征进行识别的第四识别子模型和能够对所述识别对象的服饰特征进行识别的第五识别子模型，所述将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征包括：
将所述识别图像输入至所述识别模型中的所述第一识别子模型中进行人脸特征提取，提取对应的人脸特征；和/或，
将所述识别图像输入至所述识别模型中的所述第二识别子模型中进行体态特征提取，提取对应的体态特征；和/或，
将所述识别图像输入至所述识别模型中的所述第三识别子模型中进行身体姿态特征提取，提取对应的身体姿态特征；和/或，
将所述识别图像输入至所述识别模型中的所述第四识别子模型中进行穿衣风格特征提取，提取对应的穿衣风格特征；和/或，
将所述识别图像输入至所述识别模型中的所述第五识别子模型中进行服饰特征提取，提取对应的服饰特征。
在一种实施方式中，所述预设筛选条件包括第一预设筛选条件、第二预设筛选条件、第三预设筛选条件、第四预设筛选条件和第五预设筛选条件，在所述基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选之前，所述方法还包括：
读取所述第一预设筛选条件，所述第一预设筛选条件包括待进行特征比对的多个图像之间的第一类别目标特征中的任意一个目标特征的相似度阈值均大于第一预设特征相似度阈值；和/或，
读取所述第二预设筛选条件，所述第二预设筛选条件包括待进行特征比对的多个图像之间的第二类别目标特征中的任意一个目标特征的相似度阈值均大于第二预设特征相似度阈值；和/或，
读取所述第三预设筛选条件，所述第三预设筛选条件包括待进行特征比对的多个图像之间的第三类别目标特征中的任意一个目标特征的相似度阈值大于第三预设特征相似度阈值；和/或，
读取所述第四预设筛选条件，所述第四预设筛选条件包括待进行特征比对的多个图像之间的第四类别目标特征中的任意一个目标特征的相似度阈值大于第四预设特征相似度阈值；和/或，
读取所述第五预设筛选条件，所述第五预设筛选条件包括待进行特征比对的多个图像之间的第五类别目标特征中的任意一个目标特征的相似度阈值大于第五预设特征相似度阈值。
在一种实施方式中，在所述输出至少包括特征相似度数值的识别结果之后，所述方法还包括：
判断所述特征相似度是否大于第一预设相似度阈值，若所述相似度大于所述第一预设相似度阈值，则判断出多个识别图像中包括所述目标对象，并对所述目标对象进行跟踪，得到所述目标对象的跟踪轨迹。
在一种实施方式中，在所述得到所述目标对象的跟踪轨迹之后，所述方法还包括：
获取所述目标对象的历史行动轨迹数据；
基于预设分析模型对所述历史行动轨迹数据进行分析，得到所述目标对象的行动偏好度属性信息；
根据所述目标对象的行动偏好度属性信息，对所述目标对象的行动轨迹进行预测，得到预测结果，并将所述预测结果推送至具有第一预设MAC地址的第一指定终端上。
在一种实施方式中，在所述输出至少包括相似度数值的识别结果之后，所述方法还包括：
判断所述特征相似度是否大于第二预设相似度阈值，若所述相似度大于所述第二预设相似度阈值，则判断出多个识别图像中包括所述目标对象，将具有所述目标对象的任意一个识别图像、且符合预设条件的识别图像确定为待推送目标图像，所述预设条件包括图像中的人脸区域处于未遮挡状态、所述图像为包括人脸五官的人脸图像、且所述图像的像素大于预设像素阈值；
将报警数据推送至具有第二预设MAC地址的第二指定终端上，所述报警数据中携带有所述待推送目标图像和所述目标对象的关联信息。
第二方面，本申请实施例提供了一种应用于智慧安防的基于识别模型的识别装置，所述装置包括：
获取模块，用于获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征所述目标对象的人脸区域特征的第一类别目标特征；
采集模块，用于通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；
图像筛选模块，用于基于预设筛选条件和图像筛选模型，对所述采集模块采集的多个待识别图像进行图像筛选，筛选出符合所述预设筛选条件的多个识别图像；
特征提取模块，用于将所述图像筛选模块筛选出的多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，所述识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
配置模块，用于对所述特征提取模块提取的多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
识别模块，用于基于所述配置模块配置出的每一类别的识别特征的类别权重值，分别将所述识别对象对应的各个识别特征和所述目标对象对应的各个识别特征进行特征比对，预测所述识别对象和所述目标对象之间的相似度，输出至少包括相似度数值的识别结果。
第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行上述的方法步骤。
第四方面，本申请实施例提供一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述的方法步骤。
本申请实施例提供的技术方案可以包括以下有益效果：
在本申请实施例中，将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，识别模型包括能够对识别对象的人脸区域进行识别的第一识别子模型；对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。因此，采用本申请实施例，由于引入了识别模型，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型，由于在未存在遮挡现象的情况下，对人脸图像的人脸区域进行识别，能够快速地识别出目标人脸，而在存在遮挡现象的情况下，还可以通过其它识别子模型对目标行人进行识别，以有效地提高识别的精准度；此外，由于引入了预设筛选条件，这样，可以对多个待识别图像进行有效筛选，有效地缩小进行多个图像特征提取及对比识别的范围，从而进一步地提高了识别效率和识别精准度；并将该人脸识别结果应用于智慧安防领域，能够高效且精准地识别出可疑行人的目标人脸，从而大大地提高了社区的安全性。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
图1为一个实施例中提供的应用智慧社区的基于人脸识别模型的人脸识别方法的实施环境图；
图2为一个实施例中计算机设备的内部结构框图；
图3是本公开实施例提供的一种应用智慧社区的基于人脸识别模型的人脸识别方法的流程示意图；
图4是本公开实施例提供的一种应用智慧社区的基于人脸识别模型的人脸识别装置的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。
应当明确，所描述的实施例仅仅是本发明一部分实施例，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作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。
下面结合附图详细说明本公开的可选实施例。
图1为一个实施例中提供的一种应用于智慧安防的基于识别模型的识别方法的实施环境图，如图1所示，在该实施环境中，包括计算机设备110以及终端120。
需要说明的是，终端120以及计算机设备110可为智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此。计算机设备110以及终端110可以通过蓝牙、USB(Universal Serial Bus，通用串行总线)或者其他通讯连接方式进行连接，本发明在此不做限制。
图2为一个实施例中计算机设备的内部结构示意图。如图2所示，该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中，该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令，数据库中可存储有控件信息序列，该计算机可读指令被处理器执行时，可使得处理器实现应用于智慧安防的基于识别模型的识别方法。该计算机设备的处理器用于提供计算和控制能力，支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令，该计算机可读指令被处理器执行时，可使得处理器执行应用于智慧安防的基于识别模型的识别方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解，图2中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
如图3所示，本公开实施例提供一种应用于智慧安防的基于识别模型的识别方法，该应用于智慧安防的基于识别模型的识别方法具体包括以下方法步骤：
S301：获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征目标对象的人脸区域特征的第一类别目标特征；
在本申请实施例中，多个类别的目标特征除了上述第一类别目标特征之外，还可以为用于表征目标对象的体态特征的第二类别的目标特征，还可以为用于表征目标对象的身体姿态特征的第三类别的目标特征，或者为用于表征目标对象的穿衣风格的第四类别的目标特征，或者为用于表征目标对象的服饰特征的目标特征；这样，即使图像采集装置摄像头采集到的行人图像中的人脸区域的面部特征并不清晰的情况下，还可以根据上述任意一个类别的特征，从不同对象中精准地确定出目标对象。
上述仅仅罗列了一些常见类别的目标特征，还可以根据不同应用场景的需要，引入其它类别的目标特征，在此不再一一赘述。
在一种可能的实现方式中，获取目标对象的多个类别的目标特征还包括以下步骤：
获取目标对象的第二类别的目标特征，第二类别的目标特征用于表征目标对象的体态特征；
例如，若包括多个行人图像中的面部均不清晰，无法仅根据多个行人图像中的人脸区域的面部特征就能够精准地确定出目标对象；若在当前应用场景中，还可以获取到多个图像中的行人的体态特征，例如，根据历史统计数据显示目标对象的体态特征是很高很瘦的体态特征，则可以比对多个图像中不同行人的穿衣风格，若通过上述比对过程可知，仅有一个行人的体态特征是很高很瘦，则可以精准地确定出该图像中的行人是目标对象，这样，有效地提高了在面部不清晰或者面部处于遮挡状态时的识别精准度和识别效率。
在一种可能的实现方式中，获取目标对象的多个类别的目标特征还包括以下步骤：
获取目标对象的第三类别的目标特征，第三类别的目标特征用于表征目标对象的身体姿态特征；
例如，若包括多个行人图像中的面部均不清晰，无法仅根据多个行人图像中的人脸区域的面部特征就能够精准地确定出目标对象；若在当前应用场景中，还可以获取到多个图像中的行人的体态特征，例如，根据历史统计数据显示目标对象的身体姿态特征是坐着喜欢盘腿，则可以比对多个图像中不同行人的身体姿态特征，若通过上述比对过程可知，仅有一个行人的身体姿态特征是坐着喜欢盘腿，则可以精准地确定出该图像中的行人是目标对象，这样，有效地提高了在面部不清晰或者面部处于遮挡状态时的识别精准度和识别效率。
在一种可能的实现方式中，获取目标对象的多个类别的目标特征还包括以下步骤：
获取目标对象的第四类别的目标特征，第四类别的目标特征用于表征目标对象的穿衣风格特征；
例如，若包括多个行人图像中的面部均不清晰，无法仅根据多个行人图像中的人脸区域的面部特征就能够精准地确定出目标对象；若在当前应用场景中，还可以获取到多个图像中的行人的穿衣风格特征，例如，根据历史统计数据显示目标对象的穿衣风格特征是宽松的羊毛长大衣，则可以比对多个图像中不同行人的穿衣风格，若通过上述比对过程可知，仅有一个行人的穿衣风格是羊毛长大衣，则可以精准地确定出该图像中的行人是目标对象，这样，有效地提高了在面部不清晰或者面部处于遮挡状态时的识别精准度和识别效率。
在一种可能的实现方式中，获取目标对象的多个类别的目标特征还包括以下步骤：
获取目标对象的第五类别的目标特征，第五类别的目标特征用于表征目标对象的服饰特征；
例如，若包括多个行人图像中的面部均不清晰，无法仅根据多个行人图像中的人脸区域的面部特征就能够精准地确定出目标对象；若在当前应用场景中，还可以获取到多个图像中的服饰特征，例如，根据历史统计数据显示目标对象的服饰特征是偏好戴着大草帽和墨迹，则可以比对多个图像中不同行人的服饰特征，若通过上述比对过程可知，仅有一个行人的服饰特征是戴着大草帽和墨镜，则可以精准地确定出该图像中的行人是目标对象，这样，有效地提高了在面部不清晰或者面部处于遮挡状态时的识别精准度和识别效率。
S302：通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域。
在本申请实施例中，对预设跟踪区域不做具体限制。在不同应用场景中，预设跟踪区域的区域面积越大，则需要在该预设跟踪区域沿路配置的摄像头越多，反之亦然。在实际应用场景中，为了节约成本，往往间隔预设距离设置多路能够360度且全方位对途径的对象进行拍摄的多路摄像头，在此不再赘述。
S303：基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选，筛选出符合预设筛选条件的多个识别图像；
在本申请实施例中，预设筛选条件包括第一预设筛选条件、第二预设筛选条件、第三预设筛选条件、第四预设筛选条件和第五预设筛选条件，其中，第一预设筛选条件包括待进行特征比对的多个图像之间的第一类别目标特征中的任意一个目标特征的相似度阈值均大于第一预设特征相似度阈值、第二预设筛选条件包括待进行特征比对的多个图像之间的第二类别目标特征中的任意一个目标特征的相似度阈值均大于第二预设特征相似度阈值、第三预设筛选条件包括待进行特征比对的多个图像之间的第三类别目标特征中的任意一个目标特征的相似度阈值大于第三预设特征相似度阈值、第四预设筛选条件包括待进行特征比对的多个图像之间的第四类别目标特征中的任意一个目标特征的相似度阈值大于第四预设特征相似度阈值和第五预设筛选条件包括待进行特征比对的多个图像之间的第五类别目标特征中的任意一个目标特征的相似度阈值大于第五预设特征相似度阈值。
上述仅仅罗列了常见的预设筛选条件，还可以根据不同应用场景的需求，引入其它的预设筛选条件，在此不再穷举。
在本申请实施例中，对上述第一预设特征相似度阈值、第二预设特征相似度阈值、第三预设特征相似度阈值、第四预设特征相似度阈值和第五预设特征相似度阈值的具体数值均不做具体限制。
根据历史数据，往往将上述第一预设特征相似度阈值、第二预设特征相似度阈值、第三预设特征相似度阈值、第四预设特征相似度阈值和第五预设特征相似度阈值的数值配置范围设置在90％至99％之间。在实际应用场景中，若上述任意一个阈值配置的数值越高，则筛选出的多个识别图像中的行人与预进行跟踪的目标对象越接近，识别的精准度越高，反之亦然。
在一种可能的实现方式中，预设筛选条件包括第一预设筛选条件、第二预设筛选条件、第三预设筛选条件、第四预设筛选条件和第五预设筛选条件，在基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选之前，所述方法还包括以下步骤：
读取第一预设筛选条件，第一预设筛选条件包括待进行特征比对的多个图像之间的第一类别目标特征中的任意一个目标特征的相似度阈值均大于第一预设特征相似度阈值；和/或，
读取第二预设筛选条件，第二预设筛选条件包括待进行特征比对的多个图像之间的第二类别目标特征中的任意一个目标特征的相似度阈值均大于第二预设特征相似度阈值；和/或，
读取第三预设筛选条件，第三预设筛选条件包括待进行特征比对的多个图像之间的第三类别目标特征中的任意一个目标特征的相似度阈值大于第三预设特征相似度阈值；和/或，
读取第四预设筛选条件，第四预设筛选条件包括待进行特征比对的多个图像之间的第四类别目标特征中的任意一个目标特征的相似度阈值大于第四预设特征相似度阈值；和/或，
读取第五预设筛选条件，第五预设筛选条件包括待进行特征比对的多个图像之间的第五类别目标特征中的任意一个目标特征的相似度阈值大于第五预设特征相似度阈值。
需要说明的是，针对上述第一预设特征相似度阈值、第二预设特征相似度阈值、第三预设特征相似度阈值、第四预设特征相似度阈值和第五预设特征相似度阈值的解释和说明，参见前述，在此不再赘述。
S304：将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
在本申请实施例中，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型，识别模型还包括能够对识别对象的体态特征进行识别的第二识别子模型、能够对识别对象的身体姿态特征进行识别的第三识别子模型、能够对识别对象的穿衣风格特征进行识别的第四识别子模型和能够对识别对象的服饰特征进行识别的第五识别子模型。
上述仅仅罗列了常见的识别子模型，还可以根据不同应用场景的需求，引入其它的用于识别图像中不同行人的不同类别特征的识别子模型，在此不再一一穷举。
在本申请实施例中，识别模型为CNN(Convolutional Neural Network，卷积神经网络)模型。该卷积神经网络为一类特定的深度学习架构，它利用卷积运算来挖掘输入图像中的相关的可解释特征。CNN层之间像前馈神经网络一样互相连接，同时它利用卷积操作来模拟人类识别物体时大脑的工作原理。单个皮层神经元只对空间中某个受限区域的刺激做出反应，这称为感受野。
卷积神经网络中的卷积运算主要目的是从图像中提取信息或特征。任何图像都可以看作一个数值矩阵，而矩阵中一组特定的数值可以构成一个特征。卷积运算的目的是扫描该矩阵，并尝试为图像挖掘相关的或可解释特征。
在本申请实施例中，本申请实施例中的识别模型所采用的卷积神经网络模型包括输入层、多个卷积层+RelLU激活函数、多个池化层、全连接层、输出层；输入层与卷积层间、卷积层与池化层间、池化层与全连接层间均设有隐藏层。
在本申请实施例中，输入层是CNN架构中的第一层，所有其后的卷积层和池化层都要求输入遵照特定的格式。输入变量是遵照下面形状的张量。
[batch_size,image_width,image_height,channels]
其中，batch_size是从原始训练集中选取的随机样本(数量)，在应用随机梯度下降法时使用；image_width是网络的输入图像的宽度；image_height是网络的输入图像的高度；channels是输入图像颜色通道的数量，对于RGB图像通道数就是3，对于二值图像就是1。
卷积层用于进行卷积步骤，卷积步骤具体如下所述：
加入卷积步骤的主要目的是从输入图像中提取特征，然后将它们输入线性分类器当中。
在自然图像中，特征可能出现在图像的任何位置。比如，边可能出现在图像的中间或者角落，因此，堆叠大量卷积步骤的整个想法是能够在图像中的任何位置检测这些特征。
在TensorFlow里面很容易定义卷积步骤。比如，如果要对输入层使用带ReLU激活函数的20个5×5的过滤器，那么可以配置对应的代码来实现。
在代码中可以引入不同的参数，例如，conv2d函数对应的第一参数是定义的输入层，它具有合适的形状；第二参数是过滤器参数，它指明了用在图像上的过滤器个数，过滤器数量越多，从输入图像中挖掘出来的特征也越多；第三参数是核尺寸，它表示过滤器或者特征检测器的尺寸。第四参数为补齐参数，该补齐参数指定了用补零法对输入图像边沿像素进行处理；第五参数指明了用在卷积操作的输出上的激活函数。
引入非线性：
在卷积步骤中，提到了要把卷积步骤的输出输入ReLU激活函数中来引入非线性，其中，
输出＝Max(0，输入)。
在本申请实施例中，RelLU激活函数用于把所有负的像素值替换为零。，RelLU激活函数用于在输出图像中引入非线性。由于数据通常是非线性的，这样，对于将源训练样本集中的各个训练样本输入至识别网络中进行训练的训练过程是必要的。
针对池化步骤做如下说明：
通过池化步骤，能够减少卷积步骤输出(特征映射)的维数。池化步骤的优点是能够减少特征映射的尺寸，同时在新缩减的版本里保留重要的信息。
通过池化步骤，卷积步骤的输出尺寸减少了50％这样，不仅把重要的信息保留了下来，同时还减小了模型的复杂度，从而避免过拟合。
针对全连接层做如下说明：
在把一系列卷积和池化步骤堆叠起来后，就可以把它们和一个全连接层连接在一起，从输入图像提取的高层级的特征就会输入全连接层当中，此时，就可以使用它们并基于这些特征来完成实际的分类。
例如，对于数字分类任务，可以在卷积和池化步骤之后接一个包含1024个神经元的全连接层以及一个ReLU激活函数来做实际的分类。这个全连接层接受的输入格式如下。
[batch_size,features]
需要从pool_layer1重塑或者说压平输入特征映射以符合这个格式。可以用下面的代码重塑输出。
pooll_flat＝tf.reshape(pool_layer1,[-1,14＊14＊20])
在这个重塑函数中，用-1来表明批尺寸是动态决定的。在pool_layer1输出里，每一个样本的宽度都为14，高度都为14，同时有20个通道。所以重塑操作的最后输出的形状如下。
[batch_size,3136]
可以用TensorFlow中的dense()函数通过指定神经元(单元)数量和最终激活函数来定义全连接层。
dense_layer＝tf.layers.dense(inputs＝pooll_flat,units＝1024,activation＝tf.nn.relu)
取对数层：
取对数层，它接受全连接层的输出，然后产生原始的预测值。
比如，在数字分类问题中，输出会是一个有10个值的张量，每个值代表0～9当中每个类的分数。例如，对于某一数字分类示例定义一个取对数层，这里只需要10个输出，同时使用线性激活，这是Tensorflow中dense()函数的默认设置。
logits_layer＝tf.layers.dense(inputs＝dense_layer,units＝10)
取对数层最后的输出是具有以下形状的张量。
[batch_size,10]
模型的取对数层会返回批次的原始预测，并把这些数值转换为可以解释的格式。例如，输入样本0～9的预测类别。又例如，每个可能类别的分数或者概率，比如，样本的概率是0或1等。
例如，预测的类别是10个概率值中最高的。可以使用argmax函数获得这个值。
tf.argmax(input＝logits_layer,axis＝1)
logits_layer的形状如下：
[batch_size,10]
需要在预测当中找到最大值，即索引为1的维度。
可以通过将softmax激活函数应用于logits_layer的输出来获得下一个值，其中，该值用于表示每个目标类的概率，这将把每个值压缩到0～1。
tf.nn.softmax(logits-layer,name＝"softmax-ensor")
上述仅仅是示例一种识别模型所采用的卷积神经网络识别模型，还可以根据不同应用场景的需求，对本申请的识别模型进行优化和改进，在此不再赘述。
在本申请实施例中，可以根据源识别模型得到的源识别结果对上述卷积神经网络中的卷积层的数量以及池化层的数量在现有的卷积神经网络模型的基础上进行优化，最终得到优化后的识别模型，在此，对卷积层的数量和池化层的数量不做具体限制。
在本申请实施例中，识别模型还包括能够对识别对象的体态特征进行识别的第二识别子模型、能够对识别对象的身体姿态特征进行识别的第三识别子模型、能够对识别对象的穿衣风格特征进行识别的第四识别子模型和能够对识别对象的服饰特征进行识别的第五识别子模型，将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征包括以下步骤：
将识别图像输入至识别模型中的第一识别子模型中进行人脸特征提取，提取对应的人脸特征；和/或，
将识别图像输入至识别模型中的第二识别子模型中进行体态特征提取，提取对应的体态特征；和/或，
将识别图像输入至识别模型中的第三识别子模型中进行身体姿态特征提取，提取对应的身体姿态特征；和/或，
将识别图像输入至识别模型中的第四识别子模型中进行穿衣风格特征提取，提取对应的穿衣风格特征；和/或，
将识别图像输入至识别模型中的第五识别子模型中进行服饰特征提取，提取对应的服饰特征。
S305：对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
在本申请实施例中，对各个类别的识别特征的类别权重值的数值不做具体限制，但是越是容易区别的高识别率的类别特征配置的类别权重值越高，反之亦然，而且不同类别权重值总和为1。
例如，在某一具体应用场景中，将用于识别人脸特征的类别权重值配置为80％，而分别将用于识别体态特征的类别权重值配置为5％、用于识别穿衣风格特征的类别权重值配置为5％、用于识别身体姿态特征的类别权重值配置为5％、用于识别服饰特征的类别权重值配置为5％。
上述仅仅是示例，可以根据不同应用场景的需求，分别对不同类别的识别特征的类别权重值配置不同的类别权重值，在此不再赘述。
S306：基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。
在本申请实施例中，可以根据输出的识别结果的相似度数值精准地对获知各个识别对象和目标对象之间的相似度，并对各个相似度进行排序，在实际应用场景中，将识别对象和目标对象之间的相似度数值越高的数值，确定为目标对象的概率也越高，这样，通过识别结果中的相似度数值就可以大大地提高对目标对象的识别精准度。
在一种可能的实现方式中，在输出至少包括特征相似度数值的识别结果之后，所述方法还包括以下步骤：
判断特征相似度是否大于第一预设相似度阈值，若相似度大于第一预设相似度阈值，则判断出多个识别图像中包括目标对象，并对目标对象进行跟踪，得到目标对象的跟踪轨迹。
在本申请实施例中，对第一预设相似度阈值并不做具体限制。在实际应用场景中，为了提高从多个识别图像中确定出目标对象的精准度，往往将第一预设相似度阈值配置的较高，例如，在某一具体应用场景中，可以将该第一预设相似度阈值配置为98％，这样，从多个识别图像中可以精准地确定出目标对象。
在实际应用场景中，往往将第一预设相似度阈值的范围配置在85％至99％之间的任意一个数值，在此不再赘述。
在一种可能的实现方式中，在得到目标对象的跟踪轨迹之后，所述方法还包括以下步骤：
获取目标对象的历史行动轨迹数据；
基于预设分析模型对历史行动轨迹数据进行分析，得到目标对象的行动偏好度属性信息；
根据目标对象的行动偏好度属性信息，对目标对象的行动轨迹进行预测，得到预测结果，并将预测结果推送至具有第一预设MAC地址的第一指定终端上；这样，第一指定终端对应的第一指定用户就可以实时地获知该预测结果，并根据预测结果中的目标对象的行动轨迹对目标对象进行精准跟踪，这样，能够高效且精准地识别出可疑行人的目标人脸，从而大大地提高了社区的安全性。
在本申请实施例中，预设分析模型为常规的分析模型，该分析模型也是基于常规的分析算法构建的，构建的过程也是常规的构建方法，在此均不再赘述。
在一种可能的实现方式中，在输出至少包括相似度数值的识别结果之后，所述方法还包括以下步骤：
判断特征相似度是否大于第二预设相似度阈值，若相似度大于第二预设相似度阈值，则判断出多个识别图像中包括目标对象，将具有目标对象的任意一个识别图像、且符合预设条件的识别图像确定为待推送目标图像，预设条件包括图像中的人脸区域处于未遮挡状态、图像为包括人脸五官的人脸图像、且图像的像素大于预设像素阈值；
在本申请实施例中，对第二预设相似度阈值并不做具体限制。在实际应用场景中，为了提高从多个识别图像中确定出目标对象的精准度，往往将第二预设相似度阈值配置的较高，例如，在某一具体应用场景中，可以将该第二预设相似度阈值配置为99％，这样，则能够精准地判断出多个识别图像中包括目标对象，并将具有目标对象的任意一个识别图像、且符合预设条件的识别图像确定为待推送目标图像，预设条件包括图像中的人脸区域处于未遮挡状态、图像为包括人脸五官的人脸图像、且图像的像素大于预设像素阈值；
将报警数据推送至具有第二预设MAC地址的第二指定终端上，这样，第二指定终端对应的第二指定用户就可以实时地获知上述报警数据，其中，报警数据中携带有待推送目标图像和目标对象的关联信息。
在本申请实施例中，对目标对象的关联信息并不做具体限制，例如，该目标对象的关联信息可以是与目标对象的各个人脸特征关联的人脸特征信息，例如，该目标对象具有高鼻梁、大眼睛和酒窝，该目标对象的性别信息是女性，该目标对象的年龄信息是25岁，该目标对象的身高信息是168cm。这里，仅仅是示例，可以根据不同应用场景的需求，引入其它的与目标对象关联的关联信息，在此不再赘述。
在本公开实施例中，将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；以及基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。因此，采用本申请实施例，由于引入了识别模型，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型，由于在未存在遮挡现象的情况下，对人脸图像的人脸区域进行识别，能够快速地识别出目标人脸，而在存在遮挡现象的情况下，还可以通过其它识别子模型对目标行人进行识别，以有效地提高识别的精准度；此外，由于引入了预设筛选条件，这样，可以对多个待识别图像进行有效筛选，有效地缩小进行多个图像特征提取及对比识别的范围，从而进一步地提高了识别效率和识别精准度；并将该人脸识别结果应用于智慧安防领域，能够高效且精准地识别出可疑行人的目标人脸，从而大大地提高了社区的安全性。
下述为本发明应用于智慧安防的基于识别模型的识别装置实施例，可以用于执行本发明应用于智慧安防的基于识别模型的识别方法实施例。对于本发明应用于智慧安防的基于识别模型的识别装置实施例中未披露的细节，请参照本发明应用于智慧安防的基于识别模型的识别方法实施例。
请参见图4，其示出了本发明一个示例性实施例提供的应用于智慧安防的基于识别模型的识别装置的结构示意图。该应用于智慧安防的基于识别模型的识别装置可以通过软件、硬件或者两者的结合实现成为终端的全部或一部分。该应用于智慧安防的基于识别模型的识别装置包括获取模块401、采集模块402、图像筛选模块403、特征提取模块404、配置模块405和识别模块406。
具体而言，获取模块401，用于获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征目标对象的人脸区域特征的第一类别目标特征；
采集模块402，用于通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；
图像筛选模块403，用于基于预设筛选条件和图像筛选模型，对采集模块402采集的多个待识别图像进行图像筛选，筛选出符合预设筛选条件的多个识别图像；
特征提取模块404，用于将图像筛选模块403筛选出的多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
配置模块405，用于对特征提取模块404提取的多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
识别模块406，用于基于配置模块405配置出的每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。
可选的，获取模块401还用于：
获取目标对象的第二类别的目标特征，第二类别的目标特征用于表征目标对象的体态特征；和/或，
获取目标对象的第三类别的目标特征，第三类别的目标特征用于表征目标对象的身体姿态特征；和/或，
获取目标对象的第四类别的目标特征，第四类别的目标特征用于表征目标对象的穿衣风格特征；和/或，
获取目标对象的第五类别的目标特征，第五类别的目标特征用于表征目标对象的服饰特征。
可选的，识别模型还包括能够对识别对象的体态特征进行识别的第二识别子模型、能够对识别对象的身体姿态特征进行识别的第三识别子模型、能够对识别对象的穿衣风格特征进行识别的第四识别子模型和能够对识别对象的服饰特征进行识别的第五识别子模型，特征提取模块404用于：
将识别图像输入至识别模型中的第一识别子模型中进行人脸特征提取，提取对应的人脸特征；和/或，
将识别图像输入至识别模型中的第二识别子模型中进行体态特征提取，提取对应的体态特征；和/或，
将识别图像输入至识别模型中的第三识别子模型中进行身体姿态特征提取，提取对应的身体姿态特征；和/或，
将识别图像输入至识别模型中的第四识别子模型中进行穿衣风格特征提取，提取对应的穿衣风格特征；和/或，
将识别图像输入至识别模型中的第五识别子模型中进行服饰特征提取，提取对应的服饰特征。
可选的，预设筛选条件包括第一预设筛选条件、第二预设筛选条件、第三预设筛选条件、第四预设筛选条件和第五预设筛选条件，所述装置还包括：
读取模块(在图4中未示出)，用于在图像筛选模块403基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选之前，读取第一预设筛选条件，第一预设筛选条件包括待进行特征比对的多个图像之间的第一类别目标特征中的任意一个目标特征的相似度阈值均大于第一预设特征相似度阈值；和/或，读取第二预设筛选条件，第二预设筛选条件包括待进行特征比对的多个图像之间的第二类别目标特征中的任意一个目标特征的相似度阈值均大于第二预设特征相似度阈值；和/或，读取第三预设筛选条件，第三预设筛选条件包括待进行特征比对的多个图像之间的第三类别目标特征中的任意一个目标特征的相似度阈值大于第三预设特征相似度阈值；和/或，读取第四预设筛选条件，第四预设筛选条件包括待进行特征比对的多个图像之间的第四类别目标特征中的任意一个目标特征的相似度阈值大于第四预设特征相似度阈值；和/或，读取第五预设筛选条件，第五预设筛选条件包括待进行特征比对的多个图像之间的第五类别目标特征中的任意一个目标特征的相似度阈值大于第五预设特征相似度阈值。
可选的，所述装置还包括：
第一判断模块(在图4中未示出)，用于在输出至少包括特征相似度数值的识别结果之后，判断特征相似度是否大于第一预设相似度阈值，若相似度大于第一预设相似度阈值，则判断出多个识别图像中包括目标对象；
跟踪模块(在图4中未示出)，用于对目标对象进行跟踪，得到目标对象的跟踪轨迹。
可选的，获取模块401还用于：
在跟踪模块得到目标对象的跟踪轨迹之后，获取目标对象的历史行动轨迹数据；
分析模块(在图4中未示出)，用于基于预设分析模型对获取模块401获取的历史行动轨迹数据进行分析，得到目标对象的行动偏好度属性信息；
预测模块(在图4中未示出)，用于根据分析模块分析出的目标对象的行动偏好度属性信息，对目标对象的行动轨迹进行预测，得到预测结果；
第一推送模块(在图4中未示出)，用于将预测模块预测出的预测结果推送至具有第一预设MAC地址的第一指定终端上。
可选的，所述装置还包括：
第二判断模块，用于在输出至少包括相似度数值的识别结果之后，判断特征相似度是否大于第二预设相似度阈值，若相似度大于第二预设相似度阈值，则判断出多个识别图像中包括目标对象；
确定模块(在图4中未示出)，用于将具有目标对象的任意一个识别图像、且符合预设条件的识别图像确定为待推送目标图像，预设条件包括图像中的人脸区域处于未遮挡状态、图像为包括人脸五官的人脸图像、且图像的像素大于预设像素阈值；
第二推送模块(在图4中未示出)，用于将报警数据推送至具有第二预设MAC地址的第二指定终端上，报警数据中携带有确定模块确定出的待推送目标图像和目标对象的关联信息。
需要说明的是，上述实施例提供的应用于智慧安防的基于识别模型的识别装置在执行应用智慧社区的基于人脸识别模型的人脸识别方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的应用于智慧安防的基于识别模型的识别装置与应用于智慧安防的基于识别模型的识别方法实施例属于同一构思，其体现实现过程详见应用于智慧安防的基于识别模型的识别方法实施例，这里不再赘述。
在本公开实施例中，特征提取模块用于将图像筛选模块筛选出的多个识别图像均输入至识别模型中进行并行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；配置模块用于对特征提取模块提取的多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；以及识别模块用于基于配置模块配置出的每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。因此，采用本申请实施例，由于引入了识别模型，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型，由于在未存在遮挡现象的情况下，对人脸图像的人脸区域进行识别，能够快速地识别出目标人脸，而在存在遮挡现象的情况下，还可以通过其它识别子模型对目标行人进行识别，以有效地提高识别的精准度；此外，由于引入了预设筛选条件，这样，可以对多个待识别图像进行有效筛选，有效地缩小进行多个图像特征提取及对比识别的范围，从而进一步地提高了识别效率和识别精准度；并将该人脸识别结果应用于智慧安防领域，能够高效且精准地识别出可疑行人的目标人脸，从而大大地提高了社区的安全性。
在一个实施例中，提出了一种计算机设备，计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征目标对象的人脸区域特征的第一类别目标特征；通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选，筛选出符合预设筛选条件的多个识别图像；将多个识别图像均输入至识别模型中进行并行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。
在一个实施例中，提出了一种存储有计算机可读指令的存储介质，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征目标对象的人脸区域特征的第一类别目标特征；通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选，筛选出符合预设筛选条件的多个识别图像；将多个识别图像均输入至识别模型中进行并行特征提取，提取对应的多个类别的识别特征，识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；基于每一类别的识别特征的类别权重值，分别将识别对象对应的各个识别特征和目标对象对应的各个识别特征进行特征比对，预测识别对象和目标对象之间的相似度，输出至少包括相似度数值的识别结果。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种应用于智慧安防的基于识别模型的识别方法，其特征在于，所述方法包括：
获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征所述目标对象的人脸区域特征的第一类别目标特征；
通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；
基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选，筛选出符合所述预设筛选条件的多个识别图像；
将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，所述识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
对多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
基于每一类别的识别特征的类别权重值，分别将所述识别对象对应的各个识别特征和所述目标对象对应的各个识别特征进行特征比对，预测所述识别对象和所述目标对象之间的相似度，输出至少包括相似度数值的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述获取目标对象的多个类别的目标特征还包括：
获取所述目标对象的第二类别的目标特征，所述第二类别的目标特征用于表征目标对象的体态特征；和/或，
获取所述目标对象的第三类别的目标特征，所述第三类别的目标特征用于表征所述目标对象的身体姿态特征；和/或，
获取所述目标对象的第四类别的目标特征，所述第四类别的目标特征用于表征所述目标对象的穿衣风格特征；和/或，
获取所述目标对象的第五类别的目标特征，所述第五类别的目标特征用于表征所述目标对象的服饰特征。
3.根据权利要求2所述的方法，其特征在于，所述识别模型还包括能够对所述识别对象的体态特征进行识别的第二识别子模型、能够对所述识别对象的身体姿态特征进行识别的第三识别子模型、能够对所述识别对象的穿衣风格特征进行识别的第四识别子模型和能够对所述识别对象的服饰特征进行识别的第五识别子模型，所述将多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征包括：
将所述识别图像输入至所述识别模型中的所述第一识别子模型中进行人脸特征提取，提取对应的人脸特征；和/或，
将所述识别图像输入至所述识别模型中的所述第二识别子模型中进行体态特征提取，提取对应的体态特征；和/或，
将所述识别图像输入至所述识别模型中的所述第三识别子模型中进行身体姿态特征提取，提取对应的身体姿态特征；和/或，
将所述识别图像输入至所述识别模型中的所述第四识别子模型中进行穿衣风格特征提取，提取对应的穿衣风格特征；和/或，
将所述识别图像输入至所述识别模型中的所述第五识别子模型中进行服饰特征提取，提取对应的服饰特征。
4.根据权利要求2所述的方法，其特征在于，所述预设筛选条件包括第一预设筛选条件、第二预设筛选条件、第三预设筛选条件、第四预设筛选条件和第五预设筛选条件，在所述基于预设筛选条件和图像筛选模型，对多个待识别图像进行图像筛选之前，所述方法还包括：
读取所述第一预设筛选条件，所述第一预设筛选条件包括待进行特征比对的多个图像之间的第一类别目标特征中的任意一个目标特征的相似度阈值均大于第一预设特征相似度阈值；和/或，
读取所述第二预设筛选条件，所述第二预设筛选条件包括待进行特征比对的多个图像之间的第二类别目标特征中的任意一个目标特征的相似度阈值均大于第二预设特征相似度阈值；和/或，
读取所述第三预设筛选条件，所述第三预设筛选条件包括待进行特征比对的多个图像之间的第三类别目标特征中的任意一个目标特征的相似度阈值大于第三预设特征相似度阈值；和/或，
读取所述第四预设筛选条件，所述第四预设筛选条件包括待进行特征比对的多个图像之间的第四类别目标特征中的任意一个目标特征的相似度阈值大于第四预设特征相似度阈值；和/或，
读取所述第五预设筛选条件，所述第五预设筛选条件包括待进行特征比对的多个图像之间的第五类别目标特征中的任意一个目标特征的相似度阈值大于第五预设特征相似度阈值。
5.根据权利要求1所述的方法，其特征在于，在所述输出至少包括特征相似度数值的识别结果之后，所述方法还包括：
判断所述特征相似度是否大于第一预设相似度阈值，若所述相似度大于所述第一预设相似度阈值，则判断出多个识别图像中包括所述目标对象，并对所述目标对象进行跟踪，得到所述目标对象的跟踪轨迹。
6.根据权利要求5所述的方法，其特征在于，在所述得到所述目标对象的跟踪轨迹之后，所述方法还包括：
获取所述目标对象的历史行动轨迹数据；
基于预设分析模型对所述历史行动轨迹数据进行分析，得到所述目标对象的行动偏好度属性信息；
根据所述目标对象的行动偏好度属性信息，对所述目标对象的行动轨迹进行预测，得到预测结果，并将所述预测结果推送至具有第一预设MAC地址的第一指定终端上。
7.根据权利要求1所述的方法，其特征在于，在所述输出至少包括相似度数值的识别结果之后，所述方法还包括：
判断所述特征相似度是否大于第二预设相似度阈值，若所述相似度大于所述第二预设相似度阈值，则判断出多个识别图像中包括所述目标对象，将具有所述目标对象的任意一个识别图像、且符合预设条件的识别图像确定为待推送目标图像，所述预设条件包括图像中的人脸区域处于未遮挡状态、所述图像为包括人脸五官的人脸图像、且所述图像的像素大于预设像素阈值；
将报警数据推送至具有第二预设MAC地址的第二指定终端上，所述报警数据中携带有所述待推送目标图像和所述目标对象的关联信息。
8.一种应用于智慧安防的基于识别模型的识别装置，其特征在于，所述装置包括：
获取模块，用于获取目标对象的多个类别的目标特征，多个类别的目标特征中至少包括用于表征所述目标对象的人脸区域特征的第一类别目标特征；
采集模块，用于通过设置于预设跟踪区域的多个摄像头采集多个待识别图像，多个待识别图像的识别区域至少包括对应的待识别对象的人脸区域；
图像筛选模块，用于基于预设筛选条件和图像筛选模型，对所述采集模块采集的多个待识别图像进行图像筛选，筛选出符合所述预设筛选条件的多个识别图像；
特征提取模块，用于将所述图像筛选模块筛选出的多个识别图像均输入至识别模型中并行进行特征提取，提取对应的多个类别的识别特征，所述识别模型至少包括能够对识别对象的人脸区域进行识别的第一识别子模型；
配置模块，用于对所述特征提取模块提取的多个类别的识别特征中的每一类别的识别特征配置对应的类别权重值；
识别模块，用于基于所述配置模块配置出的每一类别的识别特征的类别权重值，分别将所述识别对象对应的各个识别特征和所述目标对象对应的各个识别特征进行特征比对，预测所述识别对象和所述目标对象之间的相似度，输出至少包括相似度数值的识别结果。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述计算机可读指令被所述处理器执行时，使得所述处理器执行如权利要求1至7中任一项权利要求所述识别方法的步骤。
10.一种存储有计算机可读指令的存储介质，所述计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110261647.XA CN113516003A (zh) | 2021-03-10 | 2021-03-10 | 一种应用于智慧安防的基于识别模型的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110261647.XA CN113516003A (zh) | 2021-03-10 | 2021-03-10 | 一种应用于智慧安防的基于识别模型的识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113516003A true CN113516003A (zh) | 2021-10-19 |
Family
ID=78061516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110261647.XA Pending CN113516003A (zh) | 2021-03-10 | 2021-03-10 | 一种应用于智慧安防的基于识别模型的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113516003A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673495A (zh) * | 2021-10-25 | 2021-11-19 | 北京通建泰利特智能系统工程技术有限公司 | 一种基于神经网络的智慧安防方法、系统和可读存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105222768A (zh) * | 2014-06-30 | 2016-01-06 | 奇点新源国际技术开发(北京)有限公司 | 一种定位轨迹预测方法及装置 |
| CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
| CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
| CN108805140A (zh) * | 2018-05-23 | 2018-11-13 | 国政通科技股份有限公司 | 一种基于lbp的特征快速提取方法及人脸识别系统 |
| WO2019218835A1 (zh) * | 2018-05-16 | 2019-11-21 | 腾讯科技（深圳）有限公司 | 图像识别方法、存储介质及计算机设备 |
| CN111178252A (zh) * | 2019-12-27 | 2020-05-19 | 东北大学 | 多特征融合的身份识别方法 |
| CN111854779A (zh) * | 2020-02-25 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
| CN112084811A (zh) * | 2019-06-12 | 2020-12-15 | 杭州海康威视数字技术股份有限公司 | 身份信息的确定方法、装置及存储介质 |
-
2021
- 2021-03-10 CN CN202110261647.XA patent/CN113516003A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105222768A (zh) * | 2014-06-30 | 2016-01-06 | 奇点新源国际技术开发(北京)有限公司 | 一种定位轨迹预测方法及装置 |
| CN105513395A (zh) * | 2015-11-30 | 2016-04-20 | 华南理工大学 | 一种基于车辆目的地预测的智能信息推送系统和方法 |
| CN108090433A (zh) * | 2017-12-12 | 2018-05-29 | 厦门集微科技有限公司 | 人脸识别方法及装置、存储介质、处理器 |
| WO2019218835A1 (zh) * | 2018-05-16 | 2019-11-21 | 腾讯科技（深圳）有限公司 | 图像识别方法、存储介质及计算机设备 |
| CN108805140A (zh) * | 2018-05-23 | 2018-11-13 | 国政通科技股份有限公司 | 一种基于lbp的特征快速提取方法及人脸识别系统 |
| CN112084811A (zh) * | 2019-06-12 | 2020-12-15 | 杭州海康威视数字技术股份有限公司 | 身份信息的确定方法、装置及存储介质 |
| CN111178252A (zh) * | 2019-12-27 | 2020-05-19 | 东北大学 | 多特征融合的身份识别方法 |
| CN111854779A (zh) * | 2020-02-25 | 2020-10-30 | 北京嘀嘀无限科技发展有限公司 | 一种路线规划方法、装置、电子设备及可读存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673495A (zh) * | 2021-10-25 | 2021-11-19 | 北京通建泰利特智能系统工程技术有限公司 | 一种基于神经网络的智慧安防方法、系统和可读存储介质 |
| CN113673495B (zh) * | 2021-10-25 | 2022-02-01 | 北京通建泰利特智能系统工程技术有限公司 | 一种基于神经网络的智慧安防方法、系统和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102554724B1 (ko) | 이미지 내 객체를 식별하기 위한 방법 및 상기 방법을 실행하기 위한 모바일 디바이스 | |
| CN112215180B (zh) | 一种活体检测方法及装置 | |
| JP7026826B2 (ja) | 画像処理方法、電子機器および記憶媒体 | |
| Agrawal et al. | Grape leaf disease detection and classification using multi-class support vector machine | |
| CN111814902A (zh) | 目标检测模型训练方法、目标识别方法、装置和介质 | |
| CN107958230B (zh) | 人脸表情识别方法及装置 | |
| CN113011357B (zh) | 基于时空融合的深度伪造人脸视频定位方法 | |
| CN109871780B (zh) | 一种人脸质量判决方法、系统及人脸识别方法、系统 | |
| CN111274916A (zh) | 人脸识别方法和人脸识别装置 | |
| CN110728179A (zh) | 一种采用多路卷积神经网络的猪脸识别方法 | |
| CN109615614B (zh) | 基于多特征融合的眼底图像中血管的提取方法与电子设备 | |
| CN110046577B (zh) | 行人属性预测方法、装置、计算机设备和存储介质 | |
| CN110222718A (zh) | 图像处理的方法及装置 | |
| CN110826444A (zh) | 一种基于Gabor滤波器的人脸表情识别方法及系统 | |
| CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
| CN111353385A (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
| KR101174103B1 (ko) | 근골격 구조에 기초한 수학적 패턴 분석의 얼굴인식 방법 | |
| CN113516003A (zh) | 一种应用于智慧安防的基于识别模型的识别方法及装置 | |
| CN116309590B (zh) | 一种基于人工智能的视觉计算方法、系统、电子设备和介质 | |
| CN111353577B (zh) | 基于多任务的级联组合模型的优化方法、装置及终端设备 | |
| Lin et al. | A coarse-to-fine pattern parser for mitigating the issue of drastic imbalance in pixel distribution | |
| CN111651626B (zh) | 图像分类方法、装置及可读存储介质 | |
| CN111476775B (zh) | Dr征象识别装置和方法 | |
| CN113435248A (zh) | 口罩人脸识别底库增强方法、装置、设备及可读存储介质 | |
| CN112132253A (zh) | 3d动作识别方法、装置、计算机可读存储介质及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211019 |
|
| RJ01 | Rejection of invention patent application after publication |