CN117558035A - 一种基于图像技术的人物身份识别系统及方法 - Google Patents
一种基于图像技术的人物身份识别系统及方法 Download PDFInfo
- Publication number
- CN117558035A CN117558035A CN202410041102.1A CN202410041102A CN117558035A CN 117558035 A CN117558035 A CN 117558035A CN 202410041102 A CN202410041102 A CN 202410041102A CN 117558035 A CN117558035 A CN 117558035A
- Authority
- CN
- China
- Prior art keywords
- person
- video
- analyzed
- static
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 230000003068 static effect Effects 0.000 claims abstract description 158
- 238000011156 evaluation Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 abstract description 5
- 238000012216 screening Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06V40/103—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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像技术的人物身份识别系统及方法,具体涉及身份识别技术领域,基于目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp,预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频;获取目标人物和待分析人物的静态特征和动态特征,计算交集特征的特征相似度;基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py,从人物特征相似度、图像质量、分析视频与目标视频时间距离的维度,对分析结果进行量化分析,解决现有技术中缺少对身份识别结果进行量化分析的问题。
Description
技术领域
本发明涉及身份识别技术领域,更具体地说,本发明涉及一种基于图像技术的人物身份识别系统及方法。
背景技术
基于图像技术的人物身份识别方法在发现嫌疑人方面具有重要意义,可以为调查人员提供有力的技术支持和帮助。在大量的图像或视频资料中,通过人物身份识别技术,可以快速筛选出与案件相关的目标人物,大幅缩短了时间。
在刑事技术痕迹检验中,对视频中人物的身份进行判断是常见的任务之一。通过分析视频中人物的面部特征、身体姿态、穿着打扮等特征,可以提取出人物的独特特征。这可以缩小侦查范围,提高破案效率。但是因为摄像角度或者目标人物的可以遮挡,导致采集的目标视频和待分析视频中看不见人物的脸部,无法基于人脸对人物身份进行准确的识别,导致现有的身份识别系统识别结果不够稳定。
但是其在实际使用时,现有的人物身份识别系统还存在较多缺点,如,当视频像素质量差、可分析图像少,导致无法获取目标人物的准确特征,降低人物身份识别的准确性;当目标视频或待分析视频的像素质量高、可分析图像多,在分析结束前就能够得到目标人物与待识别人物属于同一人的概率,这时候分析完所有的视频会导致,浪费分析资源;缺少对分析结果进行量化分析,导致分析资源浪费,不利于效率的最大化。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于图像技术的人物身份识别系统及方法,通过分析视频的可信度对视频进行预处理,从人物特征相似度、图像质量、分析视频与目标视频时间距离的维度,对分析结果进行量化分析,解决现有技术中缺少对身份识别结果进行量化分析的问题,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种基于图像技术的人物身份识别系统,包括:
数据采集模块,用于采集目标视频和待分析视频,并将采集的视频传输至视频质量分析模块;
视频质量分析模块,用于分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
图像预处理模块,用于预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频,将处理后的目标视频和待分析视频传输至特征处理模块;
特征处理模块,获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征,计算交集特征的特征相似度,将提取的静态特征相似度和动态特征相似度传输至综合分析模块;
综合分析模块,基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
优选的,目标视频和待分析视频的静态维度评估参数Jp获取方式为:
将视频分解为图像帧,框选图像帧中的目标人物得到人物框,并进行编号,设有m个人物框;
获取人物框的长度、宽度、像素值,以及人物框中人物占比,将第i个人物框的长度、宽度、像素值、人物占比分别记为,ci、ki、xsi、zi,i的取值为[1,m];
基于人物框的长度、宽度、像素值,以及人物框中人物占比综合评估视频的静态维度评估参数Jp;
将目标视频对应的静态维度评估参数记为MJp,将待分析视频对应的静态维度评估参数记为DJp。
优选的,目标视频和待分析视频的动态维度评估参数Dp获取方式为:
获取人物框中目标人物的方向角度,得到m个人物框的m-1个方向变化角度,将第i个人物框的方向变化角度记为fzi,i的取值为[2,m];
获取视频中目标人物的移动速度,得到m个人物框的m-1个速度,将第i个人物框的速度记为vi,i的取值为[2,m];
联合分析人物框的方向变化角度和速度,得到视频的动态维度评估参数Dp;
将目标视频对应的动态维度评估参数记为MDp,将待分析视频对应的动态维度评估参数记为DDp。
优选的,在图像预处理模块包括信息丰富度评估单元、信息丰富度判断单元和图像处理单元,所述信息丰富度评估单元用于获取人物识别任务的信息可信度指数;所述信息丰富度判断单元用于将获取的信息可信度指数和预设值tha进行比较;所述图像处理单元基于信息可信度指数和预设值tha的关系采取对应的措施,当信息可信度指数高于预设值tha,从图像帧中抽取高质量的图像帧,重新构成人物框集合;当信息可信度指数低于预设值tha,对目标视频和待分析视频进行特征增强处理。
优选的,通过信息可信度预估模型
得到信息可信度指数,ε1表示静态维度随像素衰减因子,ε2表示动态维度随像素衰减因子,且0<ε1<1,0<ε2<1,ε1+ε2=1.0,具体数值基于管理人员设置,MJp表示目标视频对应的静态维度评估参数,DJp表示待分析视频对应的静态维度评估参数;MDp表示目标视频对应的动态维度评估参数,DDp表示待分析视频对应的动态维度评估参数,JM预表示预设的静态维度评估参数,JD预表示预设的动态维度评估参数。
优选的,特征处理模块包括特征提取单元、特征对齐单元、特征相似度计算单元,所述特征提取单元用于提取目标视频目标人物和待分析视频中待分析人物的静态特征和动态特征,利用特征提取算法从图像帧中提取出描述人物的局部特征的关键点和特征,利用光流法、运动矢量法算法来提取动态特征;所述特征对齐单元用于将目标人物和待分析任务的静态特征和动态特征对齐,得到交集特征,设在交集特征中有m1组静态特征和m2组动态特征;所述特征相似度计算单元用于计算交集特征的相似度,得到m1组静态特征相似度和m2组动态特征相似度。
优选的,基于历史数据得到特征的权重系数,特征包括静态特征和动态特征,包括下列步骤:
获取历史大数据,划分为若干组,每组数据包括:目标视频、待分析视频、目标人物和待识别人物是同一人的概率Ps,当是同一人概率为Ps=1,当不是同一人则概率为Ps=0;
计算得到目标视频、待分析视频的静态特征相似度和动态特征相似度;
选择机器学习模型,设置损失函数为交叉熵损失函数,初始化参数,分别将目标人物静态特征、动态特征相似度,待分析人物静态特征、动态特征相似度输入机器学习模型中,输出预测概率;
基于损失函数调整参数,训练至损失函数满足预设值,得到静态特征的权重系数ktj和动态特征的权重系数kdj,以及修正常数c1。
优选的,通过模型得到目标人物和待识别人物属于同一人的概率Py,m1表示静态特征的组数,m2表示动态特征的组数,j表示特征组的编号,/>表示静态特征相似度均值,xsj表示第j组静态特征的相似度参数,xsj的取值为[0,1.0],ktj表示第j组静态特征的权重系数,/>表示动态特征相似度均值,sxj表示第j组动态特征的相似度参数,sxj的取值为[0,1.0],kdj表示第j组动态特征的权重系数,c1表示修正常数。
优选的,所述系统包括实时跟踪定位模块,所述实时跟踪定位模块用于实时分析采集的视频,实时跟踪定位模块包括采集设备搭建单元、特征快筛单元、追踪单元,实时跟踪定位模块包括低分辨率摄像头、高分辨率摄像头、边缘计算平台、通信设备;边缘计算平台分析低分辨率摄像头采集的待分析视频,得到待分析视频中待识别人物的静态特征集合,当判断监测区域中出现与目标人物静态特征相似度高的人物时,启动高清摄像头,高清摄像头能够采集高质量的音视频,通过调整摄像角度,跟随静态特征相似人群进行移动,进而得到更加高质量的待分析视频;通过通行设备将采集的结果传输至管理平台,向管理人员预警。
所述低分辨率摄像头用于对监控区域的大范围信息采集,得到若干待分析视频;高分辨率摄像头基于采集静态特征相似人群的视频;
所述边缘计算平台用于分析待识别人物与目标人物的静态特征,得到与目标人物静态特征符合指数在预设值thb的若干人;
所述通信设备用于向管理平台传输视频和信息,提示在监测区域中出现与目标人物静态特征符合指数在预设值thb的若干人。
基于静态特征对图像信息进行快筛,包括下列步骤:
基于特征提取算法,分别获取目标视频和待分析视频中目标人物的静态特征;
特征匹配:提取出特征后,将目标视频人物特征与待分析视频人物的静态特征进行匹配,得到若干组的静态特征;
计算静态特征相似度:计算每组静态特征相似度,设置每组静态特征的权重系数,将多组静态特征相似度进行组合,计算得到目标视频与待分析视频的属于同一人物的静态特征符合指数;
基于静态特征符合指数筛选得到静态特征相似人群集合A,设置静态形式符合指数的筛选阈值thb,将满足阈值的待识别人物标记为目标人物的静态特征相似人群集合A。
为实现本发明目的,本发明提供一种基于图像技术的人物身份识别方法,其特征在于包括下列步骤:
S001、采集目标视频和待分析视频,将基于目标视频和待分析视频判断目标人物和待分析人物是同一人的概率设置为人物识别任务;
S002、分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
S003、预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频;
S004、获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征;
S005、计算交集特征的特征相似度,训练基于机器学习得到静态特征对应的权重系数和动态特征对应的权重系数;
S006、基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
本发明的技术效果和优点:
本发明提供的基于图像技术的人物身份识别系统及方法,通过采集目标视频和待分析视频,将基于目标视频和待分析视频判断目标人物和待分析人物是同一人的概率设置为人物识别任务;分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频,当信息可信度指数高于预设值tha,从图像帧中抽取高质量的图像帧,重新构成人物框集合;当信息可信度指数低于预设值tha,对目标视频和待分析视频进行特征增强处理,解决了现有技术中的当视频像素质量差、可分析图像少,导致无法获取目标人物的准确特征,降低人物身份识别的准确性;当目标视频或待分析视频的像素质量高、可分析图像多,在分析结束前就能够得到目标人物与待识别人物属于同一人的概率,这时候分析完所有的视频会导致,浪费分析资源问题。
本发明提供的基于图像技术的人物身份识别系统及方法,从人物特征相似度、图像质量、分析视频与目标视频时间距离的维度,对分析结果进行量化分析,解决现有技术中缺少对身份识别结果进行量化分析的问题。
附图说明
图1为本发明人物身份识别系统结构框图。
图2为本发明人物身份识别系统的特征权重系数获取流程图。
图3为本发明人物身份识别方法流程图。
图4为本发明人物身份识别系统的跟踪定位模块结构框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在人物身份识别系统中的目的概括为:分析待分析视频与目标视频中人物为同一人的概率,为了方便表示,将目标人物对应的视频记为目标视频,将目标视频中的人物标记为目标人物,将需要判断的视频记为待分析视频,将待分析视频中的人物标记为待识别人物。将基于目标视频和待分析视频判断目标人物和待分析人物是同一人的概率设置为人物识别任务。
实施例1
参阅图1,本发明实施例提供了一种基于图像技术的人物身份识别系统,包括:包括:
数据采集模块,用于采集目标视频和待分析视频,并将采集的视频传输至视频质量分析模块;
视频质量分析模块,用于分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
图像预处理模块,用于预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频,将处理后的目标视频和待分析视频传输至特征处理模块;
特征处理模块,获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征,计算交集特征的特征相似度,将提取的静态特征相似度和动态特征相似度传输至综合分析模块;
综合分析模块,基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
在本发明实施例中需要解释的是,视频质量分析模块包括静态维度评估参数获取单元和动态特征维度评估参数获取单元,静态维度评估参数获取单元用于获取目标视频和待分析视频的静态维度评估参数Jp;动态维度评估参数获取单元用于获取目标视频和待分析视频的动态维度评估参数Dp;
在本发明实施例中需要解释的是,目标视频和待分析视频的静态维度评估参数Jp获取方式为:
将视频分解为图像帧,框选图像帧中的目标人物得到人物框,并进行编号,设有m个人物框;
获取人物框的长度、宽度、像素值,以及人物框中人物占比,将第i个人物框的长度、宽度、像素值、人物占比分别记为,ci、ki、xsi、zi,i的取值为[1,m];
基于人物框的长度、宽度、像素值,以及人物框中人物占比综合评估视频的静态维度评估参数Jp;
将目标视频对应的静态维度评估参数记为MJp,将待分析视频对应的静态维度评估参数记为DJp。
进一步的,本发明实施例提供一种静态维度评估参数Jp的获取方法,通过公式计算得到视频的静态维度评估参数Jp。
在本发明实施例中需要解释的是,目标视频和待分析视频的动态维度评估参数Dp获取方式为:
获取人物框中目标人物的方向角度,得到m个人物框的m-1个方向变化角度,将第i个人物框的方向变化角度记为fzi,i的取值为[2,m];
获取视频中目标人物的移动速度,得到m个人物框的m-1个速度,将第i个人物框的速度记为vi,i的取值为[2,m];
联合分析人物框的方向变化角度和速度,得到视频的动态维度评估参数Dp;
将目标视频对应的动态维度评估参数记为MDp,将待分析视频对应的动态维度评估参数记为DDp。
本发明实施例提供一种视频的动态维度评估参数Dp的获取方法,通过公式计算得到视频的动态维度评估参数Dp。
在本发明实施例中需要解释的是,在图像预处理模块包括信息丰富度评估单元、信息丰富度判断单元和图像处理单元,所述信息丰富度评估单元用于获取人物识别任务的信息可信度指数;所述信息丰富度判断单元用于将获取的信息可信度指数和预设值tha进行比较;所述图像处理单元基于信息可信度指数和预设值tha的关系采取对应的措施,当信息可信度指数高于预设值tha,从图像帧中抽取高质量的图像帧,重新构成人物框集合;当信息可信度指数低于预设值tha,对目标视频和待分析视频进行特征增强处理。
在本发明实施例中需要解释的是,通过信息可信度预估模型 得到信息可信度指数,ε1表示静态维度随像素衰减因子,ε2表示动态维度随像素衰减因子,且0<ε1<1,0<ε2<1,ε1+ε2=1.0,具体数值基于管理人员设置,MJp表示目标视频对应的静态维度评估参数,DJp表示待分析视频对应的静态维度评估参数;MDp表示目标视频对应的动态维度评估参数,DDp表示待分析视频对应的动态维度评估参数,JM预表示预设的静态维度评估参数,JD预表示预设的动态维度评估参数。
说明,随着图像质量的递减,静态特征和动态特征的准确性按照不同衰减速度,基于试验得到静态特征和动态特征的准确性与图像质量的衰减函数,设静态特征的衰减函数为f(α),设动态特征准确性的衰减速度为f(β),基于衰减函数,将像素质量输入衰减函数为f(α)和衰减函数为f(β),得到静态维度随像素衰减因子和动态维度随像素衰减因子。
说明,当目标视频或待分析视频的像素质量差、可分析图像少,时间间隔大,得到的信息可信度指数就低,表明目标视频和待分析视频提供的信息不够,需要采取的措施是,通过特征增强处理提高特征的准确性,不能达到判断目标人物和待识别人物是否为同一人的目的,或者判断结果的可靠性不足;当目标视频或待分析视频的像素质量高、可分析图像多,得到的最终分析结果的价值指数高,在分析结束前就能够得到目标人物与待识别人物属于同一人的概率,这时候分析完所有的视频会导致,浪费分析资源,需要采取的措施是,对待分析视频进行筛选,抽取代表性的图像帧得到静态特征参数集合和动态特征集合。
说明,预设值tha的获取方式为:使用不同的预设值进行实验,并观察哪种预设值可以得到最佳的结果;使用统计方法来确定预设值的取值。
说明,特征增强处理的方式为:当图像像素较低时,提取人物特征困难,通过下列方式提高特征的准确性:
使用图像增强技术:通过增强图像的对比度、亮度、锐度属性,提高图像的清晰度和细节表现,从而更准确地提取人物特征;
降低图像分辨率:如果图像的分辨率较低,通过降低图像分辨率来减少细节信息的损失,在提取人物特征时,使用较低分辨率的图像进行处理,然后再将其放大到原始大小;
利用其他辅助信息:如果图像中包含其他辅助信息,如声音、标志,利用辅助信息提取人物特征,例如,通过声音描述来识别人物的身份或动作。
在本发明实施例中需要解释的是,特征处理模块包括特征提取单元、特征对齐单元、特征相似度计算单元,所述特征提取单元用于提取目标视频目标人物和待分析视频中待分析人物的静态特征和动态特征,利用特征提取算法从图像帧中提取出描述人物的局部特征的关键点和特征,利用光流法、运动矢量法算法来提取动态特征;所述特征对齐单元用于将目标人物和待分析任务的静态特征和动态特征对齐,得到交集特征,设在交集特征中有m1组静态特征和m2组动态特征;所述特征相似度计算单元用于计算交集特征的相似度,得到m1组静态特征相似度和m2组动态特征相似度。
说明,静态特征至少包括人物高度、肩膀宽度、手臂长度、头部宽度、头部长度、胸腔厚度、足尖内外展情况;动态特征至少包括人物步态特征、肢体习惯特征,步态特征例如步间距、步频;肢体习惯特征例如站立姿势、摆臂位置、摆臂角度、两脚间距。特征相似度是欧氏距离、余弦相似度中的一种。
在提取特征的时候,基于摄像头的位置人物的站立位置,通过几何方法对图像中的人物位置进行校正,特征相似度受到多种因素的影响,例如光照、视角、尺度变化,因此,在实际应用中,可能需要结合深度学习模型进行特征学习和匹配,来提高识别准确性和鲁棒性,这部分内容属于现有技术,本发明实施例不对此作具体阐述。
参阅图2的特征权重系数获取流程图,基于历史数据得到特征的权重系数,包括下列步骤:
获取历史大数据,划分为若干组,每组数据包括:目标视频、待分析视频、目标人物和待识别人物是同一人的概率Ps;
计算得到目标视频、待分析视频的静态特征相似度和动态特征相似度;
选择机器学习模型,设置损失函数为交叉熵损失函数,初始化参数,分别将目标人物静态特征、动态特征相似度,待分析人物静态特征、动态特征相似度输入机器学习模型中,输出预测概率;
基于损失函数调整参数,训练至损失函数满足预设值,得到静态特征的权重系数ktj和动态特征的权重系数kdj,以及修正常数c1。
在本发明实施例中需要解释的是,通过模型得到目标人物和待识别人物属于同一人的概率Py,m1表示静态特征的组数,m2表示动态特征的组数,j表示特征组的编号,/>表示静态特征相似度均值,xsj表示第j组静态特征的相似度参数,xsj的取值为[0,1.0],ktj表示第j组静态特征的权重系数,/>表示动态特征相似度均值,sxj表示第j组动态特征的相似度参数,sxj的取值为[0,1.0],kdj表示第j组动态特征的权重系数,c1表示修正常数。
参阅图3的人物身份识别方法流程图,本发明实施例提供了一种基于图像技术的人物身份识别方法,包括下列步骤:
S001、采集目标视频和待分析视频,将基于目标视频和待分析视频判断目标人物和待分析人物是同一人的概率设置为人物识别任务;
S002、分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
S003、预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频;
S004、获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征;
S005、计算交集特征的特征相似度,训练基于机器学习得到静态特征对应的权重系数和动态特征对应的权重系数;
S006、基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
实施例2
当目标人物的危害性很大,需要快速识别目标人物的身份的时候,或者当目标人物的静态特征或行为特征将在短时间发生变化,需要快速识别、跟踪定位目标人物;目标视频与待分析视频的时间间隔远,导致分析结果不准确,无法及时识别人物身份,当需要快速跟踪定位目标人物,依赖边缘计算,将所有摄像头与边缘计算平台连接,基于边缘计算平台实时处理数据采集设备获取的图像信息,分析得到图像反馈得到的静态特征,基于静态特征对图像信息进行快筛;得到与目标人物静态特征符合指数在预设值thb的若干人,记为静态特征相似人群集合A。
与实施例1相比,
所述系统包括实时跟踪定位模块,所述实时跟踪定位模块用于实时分析采集的视频,参阅图4的跟踪定位模块结构框图,实时跟踪定位模块包括采集设备搭建单元、特征快筛单元、追踪单元,实时跟踪定位模块包括低分辨率摄像头、高分辨率摄像头、边缘计算平台、通信设备;边缘计算平台分析低分辨率摄像头采集的待分析视频,得到待分析视频中待识别人物的静态特征集合,当判断监测区域中出现与目标人物静态特征相似度高的人物时,启动高清摄像头,高清摄像头能够采集高质量的音视频,通过调整摄像角度,跟随静态特征相似人群进行移动,进而得到更加高质量的待分析视频;通过通行设备将采集的结果传输至管理平台,向管理人员预警。
所述低分辨率摄像头用于对监控区域的大范围信息采集,得到若干待分析视频;高分辨率摄像头基于采集静态特征相似人群的视频;
所述边缘计算平台用于分析待识别人物与目标人物的静态特征,得到与目标人物静态特征符合指数在预设值thb的若干人;
所述通信设备用于向管理平台传输视频和信息,提示在监测区域中出现与目标人物静态特征符合指数在预设值thb的若干人。
基于静态特征对图像信息进行快筛,包括下列步骤:
基于特征提取算法,分别获取目标视频和待分析视频中目标人物的静态特征;
特征匹配:提取出特征后,将目标视频人物特征与待分析视频人物的静态特征进行匹配,得到若干组的静态特征;
计算静态特征相似度:计算每组静态特征相似度,设置每组静态特征的权重系数,将多组静态特征相似度进行组合,计算得到目标视频与待分析视频的属于同一人物的静态特征符合指数;
基于静态特征符合指数筛选得到静态特征相似人群集合A,设置静态形式符合指数的筛选阈值thb,将满足阈值的待识别人物标记为目标人物的静态特征相似人群集合A。
进一步的,表示目标视频V0与待分析视频Vi中人物的静态特征符合指数,V0表示目标视频中目标人物,Va表示待分析视频中待分析人物,静态特征符合指数的获取方式为/>m表示静态特征的组数,j表示静态特征的编号,/>表示静态特征相似度均值,xsj表示第j组静态特征的相似度参数,xsj的取值为[0,1.0],ktj表示第j组静态特征的权重系数。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于图像技术的人物身份识别系统,其特征在于,包括:
数据采集模块,用于采集目标视频和待分析视频,并将采集的视频传输至视频质量分析模块;
视频质量分析模块,用于分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
图像预处理模块,用于预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频,将处理后的目标视频和待分析视频传输至特征处理模块;通过信息可信度预估模型
得到信息可信度指数,ε1表示静态维度随像素衰减因子,ε2表示动态维度随像素衰减因子,且0<ε1<1,0<ε2<1,ε1+ε2=1.0,具体数值基于管理人员设置,MJp表示目标视频对应的静态维度评估参数,DJp表示待分析视频对应的静态维度评估参数;MDp表示目标视频对应的动态维度评估参数,DDp表示待分析视频对应的动态维度评估参数,JM预表示预设的静态维度评估参数,JD预表示预设的动态维度评估参数;特征处理模块,获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征,计算交集特征的特征相似度,将提取的静态特征相似度和动态特征相似度传输至综合分析模块;
综合分析模块,基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
2.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于,目标视频和待分析视频的静态维度评估参数Jp获取方式为:
将视频分解为图像帧,框选图像帧中的目标人物得到人物框,并进行编号,设有m个人物框;
获取人物框的长度、宽度、像素值,以及人物框中人物占比;
基于人物框的长度、宽度、像素值,以及人物框中人物占比综合评估视频的静态维度评估参数Jp;
将目标视频对应的静态维度评估参数记为MJp,将待分析视频对应的静态维度评估参数记为DJp。
3.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于,目标视频和待分析视频的动态维度评估参数Dp获取方式为:
获取人物框中目标人物的方向角度,得到m个人物框的m-1个方向变化角度,将第i个人物框的方向变化角度记为fzi;
获取视频中目标人物的移动速度,得到m个人物框的m-1个速度,将第i个人物框的速度记为vi;
联合分析人物框的方向变化角度和速度,得到视频的动态维度评估参数Dp;
将目标视频对应的动态维度评估参数记为MDp,将待分析视频对应的动态维度评估参数记为DDp。
4.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于,在图像预处理模块包括信息丰富度评估单元、信息丰富度判断单元和图像处理单元,所述信息丰富度评估单元用于获取人物识别任务的信息可信度指数;所述信息丰富度判断单元用于将获取的信息可信度指数和预设值tha进行比较;所述图像处理单元基于信息可信度指数和预设值tha的关系采取对应的措施,当信息可信度指数高于预设值tha,从图像帧中抽取高质量的图像帧,重新构成人物框集合;当信息可信度指数低于预设值tha,对目标视频和待分析视频进行特征增强处理。
5.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于:特征处理模块包括特征提取单元、特征对齐单元、特征相似度计算单元,所述特征提取单元用于提取目标视频目标人物和待分析视频中待分析人物的静态特征和动态特征,利用特征提取算法从图像帧中提取出描述人物的局部特征的关键点和特征,利用光流法、运动矢量法算法来提取动态特征;所述特征对齐单元用于将目标人物和待分析任务的静态特征和动态特征对齐,得到交集特征,设在交集特征中有m1组静态特征和m2组动态特征;所述特征相似度计算单元用于计算交集特征的相似度,得到m1组静态特征相似度和m2组动态特征相似度。
6.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于:基于历史数据得到特征的权重系数,特征包括静态特征和动态特征,包括下列步骤:
获取历史大数据划分为若干组,每组数据包括:目标视频、待分析视频、目标人物和待识别人物是同一人的概率Ps,当是同一人概率为Ps=1,当不是同一人则概率为Ps=0;
计算得到目标视频、待分析视频的静态特征相似度和动态特征相似度;
选择机器学习模型,设置损失函数为交叉熵损失函数,初始化参数,分别将目标人物静态特征、动态特征相似度,待分析人物静态特征、动态特征相似度输入机器学习模型中,输出预测概率;
基于损失函数调整参数,训练至损失函数满足预设值,得到静态特征的权重系数ktj、动态特征的权重系数kdj,以及修正常数c1。
7.根据权利要求1所述的一种基于图像技术的人物身份识别系统,其特征在于,通过模型得到目标人物和待识别人物属于同一人的概率Py,m1表示静态特征的组数,m2表示动态特征的组数,j表示特征组的编号,/>表示静态特征相似度均值,xsj表示第j组静态特征的相似度参数,xsj的取值为[0,1.0],ktj表示第j组静态特征的权重系数,/>表示动态特征相似度均值,sxj表示第j组动态特征的相似度参数,sxj的取值为[0,1.0],kdj表示第j组动态特征的权重系数,c1表示修正常数。
8.一种基于图像技术的人物身份识别方法,用于实施上述权利要求1-7任一所述系统,其特征在于包括下列步骤:
S001、采集目标视频和待分析视频,将基于目标视频和待分析视频判断目标人物和待分析人物是同一人的概率设置为人物识别任务;
S002、分析目标视频和待分析视频的质量,得到目标视频和待分析视频的静态维度评估参数Jp和动态维度评估参数Dp;
S003、预估人物识别任务的信息可信度指数XF,基于信息可信度指数处理目标视频和待分析视频;
S004、获取目标人物和待分析人物的静态特征和动态特征,对比得到目标人物和待分析人物的交集特征;
S005、计算交集特征的特征相似度,训练基于机器学习得到静态特征对应的权重系数和动态特征对应的权重系数;
S006、基于静态特征相似度和动态特征相似度,以及特征对应的权重系数,预测目标人物和待识别人物属于同一人的概率Py。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041102.1A CN117558035B (zh) | 2024-01-11 | 2024-01-11 | 一种基于图像技术的人物身份识别系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410041102.1A CN117558035B (zh) | 2024-01-11 | 2024-01-11 | 一种基于图像技术的人物身份识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117558035A true CN117558035A (zh) | 2024-02-13 |
CN117558035B CN117558035B (zh) | 2024-04-16 |
Family
ID=89813249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410041102.1A Active CN117558035B (zh) | 2024-01-11 | 2024-01-11 | 一种基于图像技术的人物身份识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117558035B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
CN109190544A (zh) * | 2018-08-27 | 2019-01-11 | 华中科技大学 | 一种基于序列深度图像的人体身份识别方法 |
CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
CN111898452A (zh) * | 2020-06-30 | 2020-11-06 | 江苏柏勋科技发展有限公司 | 一种视频监控联网系统 |
WO2021000829A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 多维度身份信息识别方法、装置、计算机设备及存储介质 |
CN115203663A (zh) * | 2022-06-25 | 2022-10-18 | 谢琼华 | 小视角远距离视频步态精准识别身份认证系统 |
-
2024
- 2024-01-11 CN CN202410041102.1A patent/CN117558035B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739551A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标识别方法及系统 |
CN107749066A (zh) * | 2017-11-10 | 2018-03-02 | 深圳市唯特视科技有限公司 | 一种基于区域的多尺度时空视觉显著性检测方法 |
CN109190544A (zh) * | 2018-08-27 | 2019-01-11 | 华中科技大学 | 一种基于序列深度图像的人体身份识别方法 |
CN110147743A (zh) * | 2019-05-08 | 2019-08-20 | 中国石油大学(华东) | 一种复杂场景下的实时在线行人分析与计数系统及方法 |
WO2021000829A1 (zh) * | 2019-07-03 | 2021-01-07 | 平安科技(深圳)有限公司 | 多维度身份信息识别方法、装置、计算机设备及存储介质 |
CN111898452A (zh) * | 2020-06-30 | 2020-11-06 | 江苏柏勋科技发展有限公司 | 一种视频监控联网系统 |
CN115203663A (zh) * | 2022-06-25 | 2022-10-18 | 谢琼华 | 小视角远距离视频步态精准识别身份认证系统 |
Non-Patent Citations (2)
Title |
---|
柴艳妹;夏天;韩文英;李海峰;: "步态识别研究进展", 计算机科学, no. 06, 15 June 2012 (2012-06-15) * |
王永雄;曾艳;李璇;尹钟;张孙杰;刘丽;: "融合交互信息和能量特征的三维复杂人体行为识别", 小型微型计算机系统, no. 08, 15 August 2018 (2018-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117558035B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919977B (zh) | 一种基于时间特征的视频运动人物跟踪与身份识别方法 | |
CN105160318B (zh) | 基于面部表情的测谎方法及系统 | |
CN109544523B (zh) | 基于多属性人脸比对的人脸图像质量评价方法及装置 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN110991340B (zh) | 一种基于图像压缩的人体动作分析方法 | |
CN109725721B (zh) | 用于裸眼3d显示系统的人眼定位方法及系统 | |
CN105389562A (zh) | 一种时空约束的监控视频行人重识别结果的二次优化方法 | |
CN117132510B (zh) | 一种基于图像处理的监控图像增强方法及系统 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN109325472B (zh) | 一种基于深度信息的人脸活体检测方法 | |
Song et al. | Feature extraction and target recognition of moving image sequences | |
Zhang et al. | Hand gesture detection and segmentation based on difference background image with complex background | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN110222647A (zh) | 一种基于卷积神经网络的人脸活体检测方法 | |
CN105631410A (zh) | 一种基于智能视频处理技术的课堂检测方法 | |
CN117558035B (zh) | 一种基于图像技术的人物身份识别系统及方法 | |
CN112308087A (zh) | 基于动态视觉传感器的一体化成像识别系统和方法 | |
CN116543419A (zh) | 基于嵌入式平台的酒店卫勤人员穿戴检测方法及系统 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 | |
CN113963427B (zh) | 一种快速活体检测的方法与系统 | |
CN112597842B (zh) | 基于人工智能的运动检测面瘫程度评估系统 | |
Yang | Face feature tracking algorithm of aerobics athletes based on Kalman filter and mean shift | |
CN114743257A (zh) | 图像目标行为的检测识别方法 | |
CN115249254B (zh) | 一种基于ar技术的目标跟踪方法及系统 | |
CN116259091B (zh) | 一种静默活体检测的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |