CN113705366A - 人员管理系统身份识别方法、装置及终端设备 - Google Patents
人员管理系统身份识别方法、装置及终端设备 Download PDFInfo
- Publication number
- CN113705366A CN113705366A CN202110903287.9A CN202110903287A CN113705366A CN 113705366 A CN113705366 A CN 113705366A CN 202110903287 A CN202110903287 A CN 202110903287A CN 113705366 A CN113705366 A CN 113705366A
- Authority
- CN
- China
- Prior art keywords
- identity
- candidate
- target
- local feature
- probability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
- G06N3/08—Learning methods
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)
- Collating Specific Patterns (AREA)
Abstract
本发明提供了一种人员管理系统身份识别方法、装置及终端设备,该方法包括:获取目标人员的面部数据,将所述面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率;获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率;基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份。本发明提供的人员管理系统身份识别方法、装置及终端设备能够提高身份识别的准确度。
Description
技术领域
本发明属于身份识别技术领域,更具体地说,是涉及一种人员管理系统身份识别方法、装置及终端设备。
背景技术
在人员管理系统中,人员的身份识别至关重要,其直接影响到了系统数据的安全性以及系统人员自身的合法权益。随着信息技术的发展,面部识别作为身份识别的一种重要手段,在各种场景中得到了广泛应用,因此在人员管理系统中,基于面部识别的身份识别方案也应运而生。
现有的面部识别是基于面部特征点的匹配度实现的,也就是说,只要面部特征的匹配度达到一定值,就认定被测者为系统中的某个合法身份。在此基础上,对于面部轮廓相似之人,此种方法的识别准确度较低。
发明内容
本发明的目的在于提供一种人员管理系统身份识别方法、装置及终端设备,以提高身份识别的准确度。
本发明实施例的第一方面,提供了一种人员管理系统身份识别方法,包括:
获取目标人员的面部数据,将所述面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率;
获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率;
基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份。
在一种可能的实现方式中,所述获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
获取每个候选身份对应的至少一个局部特征识别模型;
基于每个候选身份对应的至少一个局部特征识别模型对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据;
将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在一种可能的实现方式中,所述基于每个候选身份对应的至少一个局部特征识别模型对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据,包括:
基于每个候选身份对应的至少一个局部特征识别模型确定每个候选身份对应各个局部特征识别部位;
根据每个候选身份对应的局部特征识别部位对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
在一种可能的实现方式中,所述将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
基于每个候选身份对应的各个局部特征识别部位将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在一种可能的实现方式中,训练某个身份对应的局部特征识别模型的方法包括:
获取目标身份的面部数据,并提取所述目标身份的面部数据的特征,得到目标特征;获取目标亲属身份的面部数据,并提取所述目标亲属身份的面部数据的特征,得到目标亲属特征;其中,所述目标亲属身份为与目标身份具备亲属关系的人员身份;
基于所述目标特征与所述目标亲属特征的匹配度,确定目标身份对应的至少一个局部特征识别部位;
基于目标身份对应的至少一个局部特征识别部位从所述目标身份的面部数据中对应提取至少一组局部特征,基于目标身份对应的至少一个局部特征识别部位从所述目标亲属身份的面部数据中对应提取至少一组亲属局部特征;
基于目标身份对应的至少一个局部特征识别部位将所述至少一组局部特征与所述至少一组亲属局部特征融合,得到目标身份对应的至少一组局部融合特征;根据目标身份对应的至少一组局部融合特征,得到目标身份对应的至少一个局部特征识别模型。
在一种可能的实现方式中,所述基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份,包括:
本发明实施例的第二方面,提供了一种人员管理系统身份识别装置,包括:
第一识别模块,用于获取目标人员的面部数据,将所述面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率;
第二识别模块,用于获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率;
身份确定模块,用于基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份。
在一种可能的实现方式中,所述人员管理系统身份识别装置还包括:
模型训练模块,用于训练得到各个候选身份对应的局部特征识别模型。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的人员管理系统身份识别方法的步骤。
本发明实施例的第四方面,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存储有计算机程序,所述计算机程序被处理器执行时实现上述的人员管理系统身份识别方法的步骤。
本发明提供的人员管理系统身份识别方法、装置及终端设备的有益效果在于:
区别于现有技术中直接基于面部特征点的匹配度进行身份识别的方案,本发明在基于预设的面部识别模型确定目标人员的候选身份后,还会根据候选身份对应的局部特征识别模型,对面部数据的局部特征进行进一步地识别,并根据面部识别以及局部识别的综合识别结果确定身份识别结果。相较于现有技术,本发明既考虑了面部特征的匹配度,也考虑到了局部特征的匹配度,因而具备更高的身份识别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的人员管理系统身份识别方法的流程示意图;
图2为本发明一实施例提供的人员管理系统身份识别装置的结构框图;
图3为本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
请参考图1,图1为本发明一实施例提供的人员管理系统身份识别方法的流程示意图,该方法包括:
S101:获取目标人员的面部数据,将面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率。
在本实施例中,目标人员即为待识别的人员,本实施例可通过图像采集设备获取目标人员的面部数据,再将面部数据输入至预先训练好的面部识别模型中,得到目标人员的可能身份,也即至少一个候选身份。
具体的,可将面部数据与预设数据库中各个身份的面部数据进行匹配,将面部数据匹配度大于预设阈值的身份均作为目标人员的候选身份。其中,各个候选身份对应的第一概率对应该候选身份对应的面部匹配度大小。
可选的,若不存在面部数据匹配度大于预设阈值的身份,则可直接认定目标人员为非法身份。
S102:获取各个候选身份对应的局部特征识别模型,对面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率。
在本实施例中,每个候选身份对应的局部特征识别模型不同,可预先训练各个身份的局部特征识别模型,在需要时直接获取。
在本实施例中,每个候选身份对应的分割面部数据的方案不同,具体如何对面部数据进行分割由各个候选身份对应的局部特征识别模型决定。
在本实施例中,各个候选身份对应的第二概率对应该候选身份对应的局部特征匹配度大小。
S103:基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于综合概率确定目标人员的最终身份。
在本实施例中,基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于综合概率确定目标人员的最终身份,包括:
在一种可能的实现方式中,基于综合概率最高的身份确定目标人员的最终身份包括:
若各个候选身份对应的最高综合概率大于预设概率值,则确定目标人员的身份合法,并将综合概率最高的候选身份作为目标人员的最终身份。
若各个候选身份对应的最高综合概率均不大于预设概率值,则直接认定目标人员的身份为非法身份。
由上可以得出,区别于现有技术中直接基于面部特征点的匹配度进行身份识别的方案,本发明实施例在基于预设的面部识别模型确定目标人员的候选身份后,还会根据候选身份对应的局部特征识别模型,对面部数据的局部特征进行进一步地识别,并根据面部识别以及局部识别的综合识别结果确定身份识别结果。相较于现有技术,本发明实施例既考虑了面部特征的匹配度,也考虑到了局部特征的匹配度,因而具备更高的身份识别精度。
在一种可能的实现方式中,获取各个候选身份对应的局部特征识别模型,对面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
获取每个候选身份对应的至少一个局部特征识别模型。
基于每个候选身份对应的至少一个局部特征识别模型对面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在本实施例中,每个候选身份对应的局部特征识别模型不同,因此面部数据的分割方案也是不同的。具体的,每个局部特征识别模型都对应一组分割数据。
在一种可能的实现方式中,基于每个候选身份对应的至少一个局部特征识别模型对面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据,包括:
基于每个候选身份对应的至少一个局部特征识别模型确定每个候选身份对应各个局部特征识别部位。
根据每个候选身份对应的局部特征识别部位对面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
在本实施例中,每个局部特征识别模型都对应识别一个面部部位,因此可根据各个局部特征识别模型识别的面部部位来对面部数据进行分割,从而得到对应的分割数据。
在一种可能的实现方式中,将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
基于每个候选身份对应的各个局部特征识别部位将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在本实施例中,分割数据和局部特征识别模型都对应一个局部特征识别部位,将对应同一个局部特征识别部位的分割数据和局部特征识别模型作为一组进行局部特征的识别。
在本实施例中,每个候选身份对应至少一个局部特征识别模型,因此会得到至少一个概率值,可对得到的各个概率值进行加权平均后,将加权平均的概率值作为各个候选身份的第二概率。
在一种可能的实现方式中,训练某个身份对应的局部特征识别模型的方法包括:
获取目标身份的面部数据,并提取目标身份的面部数据的特征,得到目标特征。获取目标亲属身份的面部数据,并提取目标亲属身份的面部数据的特征,得到目标亲属特征。其中,目标亲属身份为与目标身份具备亲属关系的人员身份。
基于目标特征与目标亲属特征的匹配度,确定目标身份对应的至少一个局部特征识别部位。
基于目标身份对应的至少一个局部特征识别部位从目标身份的面部数据中对应提取至少一组局部特征,基于目标身份对应的至少一个局部特征识别部位从目标亲属身份的面部数据中对应提取至少一组亲属局部特征。
基于目标身份对应的至少一个局部特征识别部位将至少一组局部特征与至少一组亲属局部特征融合,得到目标身份对应的至少一组局部融合特征。根据目标身份对应的至少一组局部融合特征,得到目标身份对应的至少一个局部特征识别模型。
其中,需要指出的是,本实施例所描述的面部数据为历史存储的面部数据。
在本实施例中,基于目标特征与目标亲属特征的匹配度,确定目标身份对应的至少一个局部特征识别部位,包括:
若目标特征与目标亲属特征在某个面部部位的特征匹配度大于预设匹配度,则将该面部部位作为目标身份对应的局部特征识别部位。
也就是说,将特征匹配度大于预设匹配度的所有面部部位均作为目标身份对应的局部特征识别部位。
在本实施例中,基于目标身份对应的至少一个局部特征识别部位将至少一组局部特征与至少一组亲属局部特征融合,得到目标身份对应的至少一组局部融合特征,包括:
将对应同一个局部特征识别部位的局部特征和亲属局部特征组合成复向量,得到目标身份对应的至少一组局部融合特征。
在本实施例中,根据目标身份对应的至少一组局部融合特征,得到目标身份对应的至少一个局部特征识别模型,包括:
基于目标身份对应的至少一组局部融合特征,训练至少一个卷积神经网络,得到目标身份对应的至少一个局部特征识别模型。
本实施例中,基于目标身份以及目标亲属身份的特征训练局部特征识别模型可以提高特征的多样性,进而提高局部特征识别模型的识别准确性。
对应于上文实施例的人员管理系统身份识别方法,图2为本发明一实施例提供的人员管理系统身份识别装置的结构框图。为了便于说明,仅示出了与本发明实施例相关的部分。参考图2,该人员管理系统身份识别装置20包括:第一识别模块21、第二识别模块22、身份确定模块23。
其中,第一识别模块21,用于获取目标人员的面部数据,将面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率。
第二识别模块22,用于获取各个候选身份对应的局部特征识别模型,对面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率。
身份确定模块23,用于基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于综合概率确定目标人员的最终身份。
在一种可能的实现方式中,人员管理系统身份识别装置20还包括:
模型训练模块24,用于训练得到各个候选身份对应的局部特征识别模型。
在一种可能的实现方式中,模型训练模块24具体用于:
获取目标身份的面部数据,并提取目标身份的面部数据的特征,得到目标特征。获取目标亲属身份的面部数据,并提取目标亲属身份的面部数据的特征,得到目标亲属特征。其中,目标亲属身份为与目标身份具备亲属关系的人员身份。
基于目标特征与目标亲属特征的匹配度,确定目标身份对应的至少一个局部特征识别部位。
基于目标身份对应的至少一个局部特征识别部位从目标身份的面部数据中对应提取至少一组局部特征,基于目标身份对应的至少一个局部特征识别部位从目标亲属身份的面部数据中对应提取至少一组亲属局部特征。
基于目标身份对应的至少一个局部特征识别部位将至少一组局部特征与至少一组亲属局部特征融合,得到目标身份对应的至少一组局部融合特征。根据目标身份对应的至少一组局部融合特征,得到目标身份对应的至少一个局部特征识别模型。
在一种可能的实现方式中,第二识别模块22具体用于:
获取每个候选身份对应的至少一个局部特征识别模型。
基于每个候选身份对应的至少一个局部特征识别模型对面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在一种可能的实现方式中,第二识别模块22具体用于:
基于每个候选身份对应的至少一个局部特征识别模型确定每个候选身份对应各个局部特征识别部位。
根据每个候选身份对应的局部特征识别部位对面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
在一种可能的实现方式中,第二识别模块22具体用于:
基于每个候选身份对应的各个局部特征识别部位将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
在一种可能的实现方式中,身份确定模块23具体用于:
参见图3,图3为本发明一实施例提供的终端设备的示意框图。如图3所示的本实施例中的终端300可以包括:一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序,计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中,处理器301被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能,例如图2所示模块21至24的功能。
应当理解,在本发明实施例中,所称处理器301可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备303可以包括显示器(LCD等)、扬声器等。
该存储器304可以包括只读存储器和随机存取存储器,并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如,存储器304还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器301、输入设备302、输出设备303可执行本发明实施例提供的人员管理系统身份识别方法的第一实施例和第二实施例中所描述的实现方式,也可执行本发明实施例所描述的终端的实现方式,在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序包括程序指令,程序指令被处理器执行时实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元,例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备,例如终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的终端和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种人员管理系统身份识别方法,其特征在于,包括:
获取目标人员的面部数据,将所述面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率;
获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率;
基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份。
2.如权利要求1所述的人员管理系统身份识别方法,其特征在于,所述获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
获取每个候选身份对应的至少一个局部特征识别模型;
基于每个候选身份对应的至少一个局部特征识别模型对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据;
将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
3.如权利要求2所述的人员管理系统身份识别方法,其特征在于,所述基于每个候选身份对应的至少一个局部特征识别模型对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据,包括:
基于每个候选身份对应的至少一个局部特征识别模型确定每个候选身份对应各个局部特征识别部位;
根据每个候选身份对应的局部特征识别部位对所述面部数据进行分割处理,得到每个候选身份对应的至少一组分割数据。
4.如权利要求3所述的人员管理系统身份识别方法,其特征在于,所述将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率,包括:
基于每个候选身份对应的各个局部特征识别部位将每个候选身份对应的至少一组分割数据对应输入至每个候选身份对应的至少一个局部特征识别模型中,得到各个候选身份对应的第二概率。
5.如权利要求1所述的人员管理系统身份识别方法,其特征在于,训练某个身份对应的局部特征识别模型的方法包括:
获取目标身份的面部数据,并提取所述目标身份的面部数据的特征,得到目标特征;获取目标亲属身份的面部数据,并提取所述目标亲属身份的面部数据的特征,得到目标亲属特征;其中,所述目标亲属身份为与目标身份具备亲属关系的人员身份;
基于所述目标特征与所述目标亲属特征的匹配度,确定目标身份对应的至少一个局部特征识别部位;
基于目标身份对应的至少一个局部特征识别部位从所述目标身份的面部数据中对应提取至少一组局部特征,基于目标身份对应的至少一个局部特征识别部位从所述目标亲属身份的面部数据中对应提取至少一组亲属局部特征;
基于目标身份对应的至少一个局部特征识别部位将所述至少一组局部特征与所述至少一组亲属局部特征融合,得到目标身份对应的至少一组局部融合特征;根据目标身份对应的至少一组局部融合特征,得到目标身份对应的至少一个局部特征识别模型。
7.一种人员管理系统身份识别装置,其特征在于,包括:
第一识别模块,用于获取目标人员的面部数据,将所述面部数据输入至预设的面部识别模型中,得到目标人员的至少一个候选身份、以及各个候选身份对应的第一概率;
第二识别模块,用于获取各个候选身份对应的局部特征识别模型,对所述面部数据进行分割处理后,将分割处理后的面部数据输入至各个候选身份对应的局部特征识别模型中,得到各个候选身份对应的第二概率;
身份确定模块,用于基于各个候选身份对应的第一概率、各个候选身份对应的第二概率确定各个候选身份的综合概率,并基于所述综合概率确定目标人员的最终身份。
8.如权利要求7所述的人员管理系统身份识别装置,其特征在于,还包括:
模型训练模块,用于训练得到各个候选身份对应的局部特征识别模型。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903287.9A CN113705366A (zh) | 2021-08-06 | 2021-08-06 | 人员管理系统身份识别方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110903287.9A CN113705366A (zh) | 2021-08-06 | 2021-08-06 | 人员管理系统身份识别方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705366A true CN113705366A (zh) | 2021-11-26 |
Family
ID=78651882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110903287.9A Pending CN113705366A (zh) | 2021-08-06 | 2021-08-06 | 人员管理系统身份识别方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705366A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273437A1 (zh) * | 2021-06-29 | 2023-01-05 | 上海商汤智能科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
-
2021
- 2021-08-06 CN CN202110903287.9A patent/CN113705366A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023273437A1 (zh) * | 2021-06-29 | 2023-01-05 | 上海商汤智能科技有限公司 | 一种图像识别方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Prasad et al. | A survey of fingerprint recognition systems and their applications | |
CN109145745B (zh) | 一种遮挡情况下的人脸识别方法 | |
CN105681324B (zh) | 互联网金融交易系统及方法 | |
CN113221086B (zh) | 离线人脸认证方法、装置、电子设备及存储介质 | |
US10997609B1 (en) | Biometric based user identity verification | |
CN111027400A (zh) | 一种活体检测方法及装置 | |
CN110263726B (zh) | 一种基于深度相关性特征学习的指静脉识别方法及装置 | |
CN114783070A (zh) | 活体检测模型的训练方法、装置、电子设备及存储介质 | |
CN113705366A (zh) | 人员管理系统身份识别方法、装置及终端设备 | |
CN113837006A (zh) | 一种人脸识别方法、装置、存储介质及电子设备 | |
CN115147887A (zh) | 人脸识别率提高方法、门禁设备及计算机可读存储介质 | |
CN112200109A (zh) | 面部属性识别方法、电子设备以及计算机可读存储介质 | |
CN116151965B (zh) | 一种风险特征提取方法、装置、电子设备及存储介质 | |
CN111178339A (zh) | 用户身份识别方法、装置、设备及介质 | |
CN111914769A (zh) | 用户合法性判定方法、装置、计算机可读存储介质及设备 | |
CN115223022B (zh) | 一种图像处理方法、装置、存储介质及设备 | |
CN112418189B (zh) | 戴口罩人脸识别方法、装置、设备以及存储介质 | |
KR102240495B1 (ko) | 신분 인증 부정 사용자 차등 관리 방법 및 서버 | |
CN115359575A (zh) | 身份识别方法、装置和计算机设备 | |
CN113705365A (zh) | 人员管理系统身份识别方法、装置及终端设备 | |
CN114067394A (zh) | 人脸活体检测方法、装置、电子设备及存储介质 | |
CN114913567A (zh) | 口罩佩戴的检测方法、装置、终端设备及可读存储介质 | |
CN112132693A (zh) | 交易验证方法、装置、计算机设备与计算机可读存储介质 | |
CN111931148A (zh) | 图像处理方法、装置和电子设备 | |
Szczepanik et al. | Security lock system for mobile devices based on fingerprint recognition algorithm |
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 |