WO2022161235A1 - 身份识别方法、装置、设备、存储介质及计算机程序产品 - Google Patents

Abstract

一种身份识别方法、装置、设备、存储介质及计算机程序产品，属于人工智能技术领域。所述方法包括：获取包含待识别对象的多个图像(201)；分别对多个图像进行特征提取，得到各个图像的特征信息(202)；基于图像的特征信息，确定图像对应的置信度(203)；依据多个图像分别对应的置信度，对个图像的特征信息进行融合处理，得到融合特征信息(204)；根据所述合特征信息确定待识别对象的身份(205)。

Description

身份识别方法、装置、设备、存储介质及计算机程序产品

本申请要求于2021年01月26日提交的申请号为202110104575.8、发明名称为“身份识别方法、装置、设备及存储介质”的中国专利申请的优先权，并且，本申请要求于2021年12月29日提交的申请号为202111641752.2、发明名称为“身份识别方法、装置、设备及存储介质”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。

技术领域

本申请涉及人工智能技术领域，特别涉及一种身份识别方法、装置、设备、存储介质及计算机程序产品。

背景技术

目前，身份识别系统被广泛应用于支付、门禁等实际场景。

在相关技术中，身份识别系统在获取包含待识别对象的图像之后，若图像数量是单张图像，则直接根据该图像对待识别对象进行身份识别，若图像数量是多张图像，则从多张图像中选择一张图像来对待识别对象进行身份识别。

然而，在上述相关技术中，仅仅依靠一张图像对待识别目标进行身份识别，容易导致识别结果不准确。

发明内容

本申请实施例提供了一种身份识别方法、装置、设备、存储介质及计算机程序产品。所述技术方案如下：

根据本申请实施例的一个方面，提供了一种身份识别方法，所述方法由计算机设备执行，所述方法包括：

获取包含待识别对象的多个图像；

分别对所述多个图像进行特征提取，得到各个所述图像的特征信息；

基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；

依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；

根据所述融合特征信息确定所述待识别对象的身份。

根据本申请实施例的一个方面，提供了一种身份识别模型的训练方法，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述方法包括：

获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；

基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息；

基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；

采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；

生成包括所述置信度评估网络的所述身份识别模型。

根据本申请实施例的一个方面，提供了一种身份识别装置，所述装置包括：

图像获取模块，用于获取包含待识别对象的多个图像；

特征提取模块，用于分别对所述多个图像进行特征提取，得到各个所述图像的特征信息；

置信度确定模块，用于基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；

特征融合模块，用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；

身份识别模块，用于根据所述融合特征信息确定所述待识别对象的身份。

根据本申请实施例的一个方面，提供了一种身份识别模型的训练装置，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述装置包括：

样本获取模块，用于获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；

特征获取模块，用于基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息；

信息获取模块，用于基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；

网络训练模块，用于采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；

模型生成模块，用于生成包括所述置信度评估网络的所述身份识别模型。

根据本申请实施例的一个方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现上述身份识别方法，或实现上述身份识别模型的训练方法。

根据本申请实施例的一个方面，本申请实施例提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现上述身份识别方法，或实现上述身份识别模型的训练方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述身份识别方法，或实现上述身份识别模型的训练方法。

通过多个包含待识别对象的图像进行特征融合，采用融合特征信息进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确；根据多个图像分别对应的置信度对各个图像的特征信息进行融合，且置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度，能够有效保证融合特征信息在身份识别过程中的可靠程度，确保身份识别的准确性；以图像为单位确定每个图像的置信度进行特征融合，与相关技术中获取各个维度的特征的置信度进行特征融合相比，特征融合方式简便，有利于提高身份识别效率。

附图说明

图1是本申请一个实施例提供的身份识别模型的训练过程和运行过程的示意图；

图2是本申请一个实施例提供的身份识别方法的流程图；

图3示例性示出了一种身份识别的流程的示意图；

图4是本申请一个实施例提供的身份识别模型的训练方法的流程图；

图5示例性示出了一种置信度评估网络的训练的示意图；

图6示例性示出了一种特征提取网络和特征映射网络的训练的示意图；

图7示例性示出了医疗领域中身份识别方式的运用的示意图；

图8示例性示出了交通领域中身份识别方式的运用的示意图；

图9是本申请一个实施例提供的身份识别装置的框图；

图10是本申请另一个实施例提供的身份识别装置的框图；

图11是本申请一个实施例提供的身份识别模型的训练装置的框图；

图12是本申请一个实施例提供的计算机设备的结构框图。

具体实施方式

本申请实施例提供的方案涉及人工智能的机器学习等技术，采用第一训练样本集对特征提取网络和特征映射网络进行训练，并在特征提取网络和特征映射网络训练完成后，采用训练完成后的特征提取网络和特征映射网络，对第二训练样本集进行处理，得到第二训练样本集中各个样本图像对应的特征信息，进而采用该特征信息，结合各个身份对应的中心特征信息，对置信度评估网络进行训练。其中，上述第一训练样本集与上述第二训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像。当然，第一训练样本集与第二训练样本集中的样本图像可以相同，也可以不同，本申请实施例对此不作限定。在上述特征提取网络、特征映射网络与置信度评估网络均训练完成后，将该三个网络结合特征融合单元和身份识别单元组成身份识别模型，并采用身份识别模型，对多个图像包含的待识别对象进行身份识别。其中，上述多个图像中包含的待识别对象为同一待识别对象。

示例性地，如图1所示，在身份识别模型10的训练阶段，采用第一训练样本集对特征提取网络11和特征映射网络12进行训练，并在训练完成后，在训练完成后的特征提取网络11和特征映射网络12的基础上，采用第二训练样本集对置信度评估网络13进行训练；在身份识别模型10的运用阶段，在特征提取网络11、特征映射网络12、置信度评估网络13的基础上，结合特征融合单元14和身份识别单元15组成身份识别模型10，进而在获取待识别对象的多个图像之后，采用身份识别模型10对该多个图像中的待识别对象进行身份识别。

其中，上述特征提取网络11用于对图像进行特征提取，得到图像的特征图，该特征图包含图像中待识别对象的空间结构信息；上述特征映射网络12用于对特征进行降维处理，将特征图映射为特征向量；上述置信度评估网络13用于基于图像的特征图和/或图像的特征向量，确定图像对应的置信度，该置信度与图像在针对待识别对象的身份识别过程中的可靠程度呈正比；上述特征融合单元14用于依据多个图像对应的置信度，对多个图像的特征信息进行融合，得到融合特征信息，该特征信息中包括特征图和/或特征向量；上述身份识别单元15用于根据融合特征信息确定待识别对象的身份。

需要说明的一点是，本申请提供的身份识别模型，可以广泛应用于各个领域。具体如下：

(1)在人工智能领域中，在人工智能设备中设置身份识别模型，使得人工智能设备能够在获取包含待识别对象的多个图像之后，通过身份识别模型，对该多个图像进行处理，确定待识别对象的身份。例如，在餐饮方面，可以在智能服务机器人中设置身份识别模型，使得智能服务机器人能够进行对顾客进行身份识别，确定顾客是否有提前预约，并将顾客引导至特定的位置；再例如，在居家方面，可以在智能家具中设置身份识别模型，使得智能家具能够对家具使用者进行身份识别，确定该家具使用者是否具有使用权限，起到防盗作用。

(2)在交通运输领域中，在各类车站入口处的人脸扫描机器中设置身份识别模型，使得人脸扫描机器能够在获取包含待识别对象的多个图像之后，通过身份识别模型，对该多个图像进行处理，确定待识别对象的身份。

(3)在医疗领域中，在医院的前台终端中设置有身份识别模型，使得前台终端能够在获取包含待识别对象的多个图像之后，通过身份识别模型确定待识别对象的身份，进而基于该待识别对象的身份获取该身份下的相关信息，并将该相关信息同步至医护人员的终端，便于医护人员对该待识别对象进行针对性治疗。

当然，本申请中的身份识别模型还可以运用于其它各个领域，如会议签到、仓库人员管理等，在此不一一举例。

为了便于说明，在下述方法实施例中，仅以各步骤的执行主体为计算机设备为例进行介绍说明，计算机设备可以是任何具备计算和存储能力的电子设备。例如，该计算机设备可以是服务器，该服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器。再例如，该计算机设备也可以是终端，该终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。需要说明的一点是，在本申请实施例中，各步骤的执行主体可以是同一计算机设备，也可以由多个不同的计算机设备交互配合执行，此处不作限定。还需要说明的一点是，在本申请实施例中，下述身份识别方法的执行主体与下述身份识别模型的训练方法的执行主体可以是相同的计算机设备，也可以是不同的计算机设备，本申请实施例对此不作限定。

下面，将结合几个实施例对本申请技术方案进行详细的介绍说明。

请参考图2，其示出了本申请一个实施例提供的身份识别方法的流程图。该方法可以包括以下几个步骤(201～205)：

步骤201，获取包含待识别对象的多个图像。

待识别对象是指未知身份的待检测目标。可选地，该待识别对象可以是任意类型的对象。示例性地，该待识别对象可以是人、宠物、野生动物等活体对象，也可以是家具、机器组件、实用工具等非活体对象。在本申请实施例中，计算机设备在进身份识别时，获取包含待识别对象的多个图像。

在一种可能的实施方式中，计算机设备实时获取上述多个图像。可选地，计算机设备通过具有拍摄功能的设备，实时从周围环境中获取针对待识别对象的多个图像，并将该多个图像提供给计算机设备。

在另一种可能的实施方式中，计算机设备预先获取针对待识别对象的待检测图像并存储在本计算机设备中。可选地，计算机设备通过具有拍摄功能的设备获取上述多个图像，并对该多个图像进行存储，进而按照一定的时间周期对已存储未识别的多个图像统一进行身份识别。

其中，上述具有拍摄功能的设备可以直接设置在计算机设备中，如在计算机设备中设置摄像头；也可以设置在计算机设备的关联设备中，如计算机设备为后台服务器，在对应的前台终端中设备摄像头。

可选地，在实际运用中，工作人员可以根据实际情况对计算机设备获取上述包含待识别对象的多个图像的方式进行调整。示例性地，在车站的身份验证、考场的身份验证、公共场所入口的身份验证等场景中，计算机设备实时获取包含待识别对象的多个图像，并对该多个图像包含的待识别对象进行身份识别，保证身份识别的实时性，进而保证用户在身份识别后能够及时进行后续活动；在工作开始后的仓库人员核验、商城内的流动人员身份核验等实时性要求不高的场景中，计算机设备将获取的包含待识别对象的多个图像进行存储，并按照一定的时间周期对多个图像包含待识别对象进行身份识别。

当然，计算机设备在获取上述多个图像时，可以直接获取包含待识别对象的多个图像；也可以先获取待识别视频，并从待识别视频中挑选出包含待识别对象的图像帧，本申请实施例对此不作限定。

需要说明的一点是，关于计算机设备所获取的多个图像，该多个图像中可以包括同一待 识别对象，也可以包括不同的待识别对象，本申请实施例对此不作限定。若计算机设备所获取的多个图像包含不同的待识别对象，则计算机设备可以对该多个图像进行分类处理，确定多组图像集，每个图像集针对不同的待识别对象，且每个图像集中包含多个图像。示例性地，若不同的待识别对象存在于不同的图像中，则计算机设备可以直接以图像为单位进行上述分类处理；若不同的待识别对象存在于相同的图像中，则计算机设备可以在同一图像中截取不同的待识别对象所处的区域，并以此来进行上述分类处理。

步骤202，分别对多个图像进行特征提取，得到各个图像的特征信息。

在本申请实施例中，计算机设备在获取上述多个图像之后，分别对该多个图像进行特征提取，得到各个图像的特征信息。其中，该特征信息是指上述待识别对象的特征信息。

可选地，上述特征信息中包括图像的特征图和/或图像的特征向量。其中，特征图包括待识别对象的空间结构信息，特征向量是通过针对特征图的降维处理获取的。可选地，在本申请实施例中，计算机设备获取上述特征信息时，分别对多个图像进行特征提取，得到多个图像的特征图，进而分别对各个图像的特征图进行降维处理，得到多个图像的特征向量。

可选地，计算机设备采用特征提取网络分别对上述多个图像进行特征提取，得到图像的特征图，并采用特征映射网络将图像的特征图映射为图像的特征向量。其中，特征提取网络和特征映射网络是通过深度学习训练得到的深度神经网络。

步骤203，基于图像的特征信息，确定图像对应的置信度。

在本申请实施例中，计算机设备在获取上述特征信息之后，基于该图像的特征信息，确定图像对应的置信度。其中，该置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度。可选地，置信度与可靠程度呈正比，即，图像对应的置信度越高，图像在针对待识别对象的身份识别过程中的可靠程度越高。

需要说明的一点是，图像的清晰程度、图像中待识别对象的所处姿态、图像中待识别对象的所处状态等均能够影响该图像对应的置信度。示例性地，以基于人脸的身份识别为例，若第一图像中图像清晰、人脸位于图像中心位置、人脸为正视姿态，第二图像中图像模糊、人脸位于图像角落位置、人脸为侧视姿态，则第一图像在人脸身份识别过程中的可靠程度大于第二图像在人脸身份识别过程中的可靠程度，即第一图像的置信度大于第二图像的置信度。

可选地，图像的清晰程度、图像中待识别对象的所处姿态、图像中待识别对象的所处状态等统称为置信度影响因素。当然，在实际运用中，工作人员可以根据实际情况对置信度影响因素进行调整，本申请实施例对此不作限定。

在一种可能的实施方式中，上述特征信息包括图像的特征图和图像的特征向量，计算机设备在获取图像对应的置信度时，基于图像的特征图和特征向量，确定图像对应的置信度。可选地，计算机设备在获取图像的特征图和图像的特征向量之后，通过置信度评估网络基于图像的特征图和特征向量，在超球面空间中进行置信度评估处理，得到图像对应的置信度；或者，计算机设备在获取图像的特征图和图像的特征向量之后，基于该图像的特征图和特征向量确定图像对应的置信度影响参数，进而根据该置信度影响参数确定图像对应的置信度。

在另一种可能的实施方式中，上述特征信息包括图像的特征图，计算机设备在获取图像的置信度时，采用图像的特征图确定该图像对应的置信度。可选地，计算机设备在获取图像的特征图之后，通过置信度评估网络基于图像的特征图，在超球面空间中进行置信度评估处理，得到图像对应的置信度；或者，计算机设备在获取图像的特征图之后，基于该图像的特征图确定图像对应的置信度影响参数，进而根据该置信度影响参数确定图像对应的置信度。

在再一种可能的实施方式中，上述特征信息包括图像的特征向量，计算机设备在获取图像的置信度时，采用图像的特征向量确定该图像对应的置信度。可选地，计算机设备在获取图像的特征向量之后，通过置信度评估网络基于图像的特征向量，在超球面空间中进行置信度评估处理，得到图像对应的置信度；或者，计算机设备在获取图像的特征向量之后，基于该图像的特征向量确定图像对应的置信度影响参数，进而根据该置信度影响参数确定图像对 应的置信度。

其中，上述特征图是采用特征提取网络获得的、包含待识别对象的空间结构信息的特征图像，上述特征向量是采用特征映射网络对图像的特征图进行降维处理后得到的向量表示，上述置信度评估网络是通过深度学习获取的深度神经网络。

需要说明的一点是，由于特征向量是通过特征图获取的，因此，在特征信息仅仅包括特征图的情况下，计算机设备也可以通过图像的特征向量确定图像对应的置信度。

还需要说明的一点是，在本申请实施例中，上述特征信息是通过特征提取网络和特征映射网络，在超球面空间中对上述多个图像分别进行处理获取的，因此，本申请中特征提取网络、特征映射网络和置信度评估网络针对图像的处理均是在超球面空间中进行的，能够保证三个网络的处理结果之间的匹配度，避免因处理空间不同造成的误差而导致最终结果不准确。

步骤204，依据多个图像分别对应的置信度，对多个图像的特征信息进行融合处理，得到融合特征信息。

在本申请实施例中，计算机设备在获取上述图像对应的置信度之后，依据多个图像分别对应的置信度，对多个图像的特征信息进行融合处理，得到融合特征信息。可选地，计算机设备可以基于上述多个图像分别对应的置信度，确定多个图像分别对应的融合权重，进而基于该多个图像分别对应的融合权重，对多个图像的特征信息进行加权求和处理，得到融合特征信息。可选地，上述融合特征信息包括融合特征向量。

在一种可能的实施方式中，上述特征信息包括特征图。计算机设备在获取上述图像对应的置信度之后，依据多个图像分别对应的置信度，对多个图像的特征图进行融合处理，得到融合特征图，进而将融合特征图映射为融合特征向量。

在另一种可能的实施方式中，上述特征信息包括特征向量。计算机设备在获取上述图像对应的置信度之后，依据多个图像分别对应的置信度，对多个图像的特征向量进行融合处理，得到融合特征向量。其中，特征向量是采用特征映射网络对图像的特征图进行降维处理后得到的向量表示，特征图是采用特征提取网络获得的、包含待识别对象的空间结构信息的特征图像。

示例性地，假设图像对应的不确定度为k(置信度为1-k)，图像的特征向量为μ，包含待识别对象的图像的数量为m，则融合特征向量z为：

需要说明的一点是，由于特征向量是通过特征图获取的，因此，在特征信息仅仅包括特征图的情况下，计算机设备也可以通过图像的特征向量获取融合特征向量。

步骤205，根据融合特征信息确定待识别对象的身份。

在本申请实施例中，计算机设备在获取融合特征信息之后，根据该融合特征信息确定待识别对象的身份。可选地，计算机设备根据融合特征信息，确定待识别对象与目标对象之间的相似度，若该相似度小于阈值，则确定该待识别对象的身份与目标对象的身份相同。

可选地，若上述融合特征信息为融合特征向量，则计算机设备在获取融合特征向量之后，可以根据该融合特征向量，确定融合特征向量与目标对象的特征向量之间的距离，若该距离小于阈值，则确定待识别对象的身份与目标对象的身份相同。其中，目标对象的特征向量是指能够表征该目标对象身份的特征向量。

其中，上述目标对象是指已知身份的对象，可选地，该目标对象可以是预先存储在计算机设备中的。当然，在实际运用中，工作人员可以根据实际情况对目标对象的存储情况进行调整，例如，若本申请的身份识别方法运用在单个对象的查找方面，则计算机设备可以仅仅将所要查找的对象作为目标对象进行存储。

综上所述，本申请实施例提供的技术方案中，通过多个包含待识别对象的图像进行特征融合，采用融合特征信息进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确；根据多个图像分别对应的置信度对各个图像的特征信息进行融合，且置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度，能够有效保证融合特征信息在身份识别过程中的可靠程度，确保身份识别的准确性；以图像为单位确定每个图像的置信度进行特征融合，与相关技术中获取各个维度的特征的置信度进行特征融合相比，特征融合方式简便，有利于提高身份识别效率。

另外，在本申请实施例提供的技术方案中，通过图像的特征图和特征向量，确定图像对应的置信度，且特征图用于表征待识别对象的空间结构信息，特征向量是对特征图降维处理后获取的，依据空间结构信息，以及空间结构信息降维得到的向量确定图像的置信度，与相关技术中仅仅依据图像的清晰程度等表面特征筛选图像相比，本申请依据深层次的空间结构信息和向量确定图像的置信度，提高置信度获取的准确性；而且，研究表明，相比于欧式空间，超球面空间更加符合人脸的特征空间，在超球空间上对人脸进行建模具有更强的理论基础，因此，本申请中在超球面空间中进行置信度评估处理，以得到图像对应的置信度，在通过人脸的全部或部分特征进行身份识别的情况下，身份识别的准确性高。

另外，在本申请实施例提供的技术方案中，在进行特征信息融合时，一种情况，对特征图进行融合得到融合特征图，进而将融合特征图映射为融合特征向量；另一种情况，对特征向量进行融合以得到融合特征向量，提供了两种不同的融合方式，在具体的融合过程中，可以根据实际情况灵活使用合适的融合方式对特征信息进行融合，提高特征信息融合的准确度。例如，在特征图的准确度高于特征向量的准确度的情况下，对特征图进行融合以得到融合特征向量；在特征图的准确度低于特征向量的准确度的情况下，对特征向量进行融合以得到融合特征向量。

另外，在本申请实施例提供的技术方案中，不同的置信度对应不同的融合权重，基于融合权重对多个图像的特征信息进行加权求和处理，以得到融合特征信息，提高特征信息的融合效果，即提高融合特征信息的准确度。

可选地，在本申请实施例中，上述身份识别方法由身份识别模型实现，该身份识别模型包括特征提取网络、特征映射网络、置信度评估网络、特征融合单元和身份识别单元。其中，特征提取网络用于分别对多个图像进行特征提取，得到各个图像的特征图；特征映射网络用于将图像的特征图映射为图像的特征向量；置信度评估网络用于基于图像的特征图和特征向量，确定图像对应的置信度；特征融合单元用于依据多个图像分别对应的置信度，对多个图像的特征信息进行融合处理，得到融合特征信息，该特征信息包括特征图和/或特征向量；身份识别单元用于根据融合特征信息确定待识别对象的身份。

示例性地，结合参考图3，对采用身份识别模型进行身份识别的方式进行介绍。计算机设备在获取包含待识别对象的多个图像之后，采用特征提取网络31分别对多个图像进行特征提取，得到多个图像的特征图，进而采用特征映射网络32分别对多个图像的特征图进行降维处理，将特征图映射为特征向量，得到多个图像的特征向量。之后，采用置信度评估网络33分别基于各个图像的特征图和特征向量，确定多个图像对应的置信度，进而由特征融合单元34，依据多个图像对应的置信度，分别对图像的特征向量进行特征融合，得到融合特征向量，并由身份识别单元35，根据融合特征向量和目标对象的特征向量之间的距离，确定待识别对象的身份。其中，目标对象的特征向量是指能够指示目标对象的身份的特征向量，且该目标对象可以包括一个或多个身份已知的对象。

下面，对本申请中身份识别模型的训练方法进行介绍。

请参考图4，其示出了本申请一个实施例提供的身份识别模型的训练方法的流程图。其中，身份识别模型包括特征提取网络、特征映射网络和置信度评估网络。该方法可以包括以 下几个步骤(401～405)：

步骤401，获取训练样本集。

训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像。其中，该每种身份对应的样本图像中包括该身份对应的样本对象。示例性地，该样本对象可以是任意类型的对象。示例性地，该样本对象可以是人、宠物、野生动物等活体对象，也可以是家具、机器组件、实用工具等非活体对象，本申请实施例对此不作限定。在本申请实施例中，计算机设备在确定对身份识别模型进行训练时，获取针对该身份识别模型的训练样本集。

在一种可能的实施方式中，计算机设备通过实体拍摄的方式，收集上述样本图像，进而生成训练样本集；在另一种可能的实施方式中，计算机设备从网络环境中收集上述样本图像，进而生成训练样本集。当然，在实际运用中，可以根据实际情况确定收集上述样本图像的方式。例如，在医疗领域，计算机设备可以获取在本医院就医过的各个用户的多个图像作为上述样本图像，并在后续获取第一次在本医院就医的用户的图像作为样本图像，以此来对身份识别模型进行更新训练，使得身份识别模型能够识别较多的用户身份。

步骤402，基于训练完成后的特征提取网络和特征映射网络，对样本图像进行特征提取，得到样本图像的特征信息。

在本申请实施例中，计算机设备在获取上述训练样本集之后，基于训练完成后的特征提取网络和特征映射网络，对样本图像进行特征提取，得到样本图像的特征信息。其中，特征提取网络和特征映射网络是通过深度学习获取的深度神经网络，特征信息是指样本图像包含的样本对象的特征信息。

可选地，上述特征信息包括样本图像的特征图和样本图像的特征向量。计算机设备在获取上述训练样本集之后，采用训练完成后的特征提取网络，对样本图像进行特征提取，得到样本图像的特征图，进而采用训练完成后的特征映射网络，对样本图像的特征图进行降维处理，将样本图像的特征图映射为样本图像的特征向量。其中，上述特征图包括样本图像包含的样本对象的空间结构信息。

步骤403，基于身份的多个样本图像的特征信息，得到身份的中心特征信息。

在本申请实施例中，计算机设备在对置信度评估网络进行训练之前，基于身份的多个样本图像的特征信息，得到身份的中心特征信息，其中，中心特征信息是指能够表征该身份的特征信息。

在一种可能的实施方式中，计算机设备在获取上述训练样本集之后，从身份的多个样本图像中选择多个标准图像，并基于训练完成后的特征提取网络和特征映射网络，对该身份的多个标准图像进行特征提取，获取多个标准图像的特征信息，进而对多个标准图像的特征信息进行求平均处理，得到该身份的中心特征信息。其中，上述标准图像是指能够清晰表示样本对象的身份的图像。可选地，计算机设备可以根据预设规则从样本图像中选择标准图像，示例性地，计算机设备将样本图像的分辨率作为针对标准图像的选择标准，如确定分辨率大于目标值的样本图像为标准图像；或者，计算机设备将样本图像中样本对象的姿态作为针对标准图像的选择标准，如确定样本对象的正视样本图像为标准图像；等等。

在另一种可能的实施方式中，计算机设备在获取上述训练样本集之后，基于训练完成后的特征提取网络和特征映射网络，对身份的多个样本图像进行特征提取，获取多个样本图像的特征信息，并确定多个样本图像的特征信息的分类权重，进而选择分类权重最大的特征信息作为身份的中心特征信息。其中，分类权重用于指示样本图像的特征信息与该样本图像对应的身份之间的接近程度，分类权重与接近程度之间呈正比。

步骤404，采用身份的中心特征信息和身份的多个样本图像的特征信息，对置信度评估网络进行训练。

在本申请实施例中，计算机设备在获取中心特征信息和特征信息之后，采用身份的中心 特征信息和身份的多个样本图像的特征信息，对置信度评估网络进行训练。其中，置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个图像对应的置信度，各个图像对应的置信度用于融合各个图像的特征信息以确定待识别对象的身份。

可选地，上述步骤404包括以下几个步骤：

1、通过置信度评估网络基于身份的样本图像的特征信息进行置信度评估处理，得到身份的样本图像的置信度；

2、基于身份的中心特征信息、身份的多个样本图像的特征信息和身份的多个样本图像的置信度，确定置信度评估网络的损失函数；

3、基于损失函数，对置信度评估网络的参数进行调整。

在本申请实施例中，计算机设备在对置信度评估网络进行训练时，通过置信度评估网络基于身份的样本图像的特征信息进行置信度评估处理，得到身份的样本图像的置信度，进而基于该身份的中心特征信息、身份的多个样本图像的特征信息和身份的多个样本图像的置信度，确定置信度评估网络的损失函数，并基于该损失函数确定置信度评估网络的梯度函数，基于该梯度函数，按照梯度下降的方式，对置信度评估网络的参数进行调整，直至针对置信度评估网络的训练迭代次数超过目标数值或损失函数收敛，确定置信度评估网络训练完成。

示例性地，假设样本图像对应的不确定度为k(置信度为1-k)，样本图像的特征向量为，μ特征向量μ的维度为d，特征向量μ映射到超球面空间中的半径为r，身份的中心特征向量为w，则置信度评估网络的损失函数L _s为：

其中，x是指输入至置信度评估网络的样本图像，c是指样本图像对应的身份，I是指贝塞尔函数，α是指贝塞尔函数的阶数，超球面空间是指特征提取网络、特征映射网络和置信度评估网络的训练空间。

进一步地，计算机设备由损失函数L _s，确定置信度评估网络的梯度函数

和

分别为：

之后，计算机设备按照梯度下降的方式，对置信度评估网络的参数进行调整，直至置信度评估网络训练完成。

需要说明的一点是，上述损失函数L _s是以单张样本图像的角度进行介绍的，在实际运用中，计算机设备在对置信度评估网络进行训练时，可以以单张样本图像为单位，获取针对各个样本图像的损失函数，并对各个损失函数求和取平均来获取最终的损失函数。

示例性地，结合参考图5，对置信度评估网络的训练方式进行介绍。在训练数据的准备阶段，采用训练完成后的特征提取网络和训练完成后的特征映射网络，对训练样本集中的样本图像进行特征提取，得到样本图像的特征信息，并获取身份的中心特征信息。其中，该特征信息包括特征图和特征向量。之后，采用置信度评估网络，基于特征信息确定样本图像对 应的置信度，并根据样本图像对应的置信度、样本图像的特征向量和身份的中心特征信息，确定置信度评估网络的损失函数，并基于该损失函数确定置信度评估网络是否满足训练完成条件。若置信度评估网络满足训练完成条件，则确定置信度评估网络训练完成；若置信度评估网络未满足训练完成条件，则获取新的训练样本集，重复上述步骤，继续对置信度评估网络进行训练。

步骤405，生成包括置信度评估网络的身份识别模型。

在本申请实施例中，计算机设备在确定置信度评估网络训练完成之后，生成包括置信度评估网络的身份识别模型。可选地，该身份识别模型还包括：特征融合单元和身份识别单元。其中，特征融合单元用于依据多个图像分别对应的置信度，对多个图像的特征信息进行融合处理，得到融合特征信息，该特征信息包括特征图和/或特征向量；身份识别单元用于根据融合特征信息确定多个图像包含的待识别对象的身份。

综上所述，本申请实施例提供的技术方案中，身份识别模型中包括置信度评估网络，且该置信度评估网络用于根据待识别对象的多个图像的特征信息确定各个图像对应的置信度，其中，该置信度用于融合各个图像的特征信息以确定待识别对象的身份，使得身份识别模型在身份识别过程中，能够依据各个图像的置信度对多个图像进行特征融合，采用多张图像进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确。

另外，在本申请实施例提供的技术方案中，基于身份的中心特征信息、身份的多个样本图像的特征信息和身份的多个样本图像的置信度，确定置信度评估网络的损失函数，以对置信度评估网络进行参数调整，实现对置信度评估网络的训练，且中心特征信息是基于身份的多个样本图像的特征信息确定的，一方面，中心特征信息来自于样本图像，在训练过程，不需要人工确定置信度评估网络对应的样本标签，减少人力消耗，另一方面，在使用过程中，置信度评估网络通过来自于图像的中心特征信息对各个图像的置信度进行评估，不依靠额外所采集的图像之外的信息进行置信度评估，减少获取额外信息时造成的计算量。

另外，在本申请实施例提供的技术方案中，在获取中心特征信息时，一种情况，从多个样本图像中选择标准图像，对标准图像进行特征提取以获取中心特征信息；另一种情况，对多个样本图像进行特征提取，获取多个样本图像的特征信息，进而基于多个样本图像的特征信息的分类权重，将分类权重最大的特征信息作为身份的中心特征信息，而且，分类权重与样本图像的特征信息和身份之间的接近程度呈正比，提供了两种不同的中心特征信息获取方式，在具体过程中，可以根据实际情况灵活使用合适的方式获取中心特征信息，提高中心特征信息的准确度。例如，在存在标准图像的情况下，基于标准图像确定中心特征信息；在不存在标准图像或实时性要求高的情况下，减少标准图像的筛选流程，直接根据多个样本图像的特征信息确定中心特征信息。

另外，结合参考图6，对特征提取网络和特征映射网络的训练过程进行介绍。具体步骤如下：

步骤601，获取针对特征提取网络和特征映射网络的训练样本集。其中，训练样本集中包括标注有身份的至少一个样本图像。而且，针对特征提取网络和特征映射网络的训练样本集，与上述针对置信度评估网络的训练样本集可以是同一训练样本集，也可以是不同训练样本集，本申请实施例对此不作限定。

步骤602，将样本图像分别输入至特征提取网络，获取多个样本图像的特征图。

步骤603，将多个样本图像的特征图分别输入至特征映射网络，获取多个样本图像的特征向量。

步骤604，根据多个样本图像的特征向量，以及多个样本图像所标注的身份，确定特征提取网络和特征映射网络的损失函数。其中，该特征函数用于表示特征映射网络输出的特征向量与实际标注身份之间的差异。

步骤605，根据特征提取网络和特征映射网络的损失函数，确定特征提取网络和特征映射网络是否满足训练完成条件。若特征提取网络和特征映射网络满足训练完成条件，则结束流程；若特征提取网络和特征映射网络未满足训练完成条件，则执行步骤606。其中，上述训练完成条件可以是针对特征提取网络和特征映射网络的迭代训练次数超过要求数值，也可以是特征提取网络和特征映射网络的损失函数收敛。

步骤606，获取新的训练样本集，重复上述步骤601-605。

当然，在本申请实施例中，上述身份识别模型还包括：特征融合单元和身份识别单元。其中，特征融合单元用于依据多个图像分别对应的置信度，对多个图像的特征信息进行融合处理，得到融合特征信息，该特征信息包括特征图和/或特征向量；身份识别单元用于根据融合特征信息确定多个图像包含的待识别对象的身份。

下面，请参考图7，本申请中的身份识别方法可应用于医疗领域中。可选地，该身份识别方法的执行主体为某个医院的前台终端，具体步骤如下：

步骤701，获取包含待识别病人的n个人脸图像。

在本申请实施例中，前台终端在确定待识别病人的身份时，可以先获取包含待识别病人的n个人脸图像。其中，n为大于一的正整数，当然，工作人员也可以根据实际情况对n的数值进行灵活调整，本申请实施例对此不作限定。

可选地，前台终端可以依据具有拍摄功能的电子设备获取包含待识别病人的n个人脸图像。其中，上述具有拍摄功能的电子设备可以直接设置在前台终端上，也可以通过网络与前台终端相连接，本申请实施例对此不作限定。

步骤702，采用特征提取网络分别对n个人脸图像进行特征提取，得到n个人脸图像的特征图。

在本申请实施例中，前台终端在获取上述n个人脸图像之后，采用特征提取网络分别对n个人脸图像进行特征提取，得到n个人脸图像的特征图。其中，该特征图中包括人脸的空间结构信息。

步骤703，采用特征映射网络将n个人脸图像的特征图分别进行降维处理，得到n个特征向量。

在本申请实施例中，前台终端在获取上述n个特征图之后，采用特征映射网络将n个人脸图像的特征图分别进行降维处理，得到n个特征向量。

步骤704，采用置信度评估网络基于n个特征图和n个特征向量，得到n个人脸图像对应的置信度。

在本申请实施例中，前台终端在获取上述n个特征图和n个特征向量之后，采用置信度评估网络基于n个特征图和n个特征向量，得到n个人脸图像对应的置信度。其中，置信度与可靠程度呈正比，即，人脸图像对应的置信度越高，人脸图像在针对待识别病人的身份识别过程中的可靠程度越高。

可选地，在本申请实施例中，待识别病人的拍摄角度、拍摄光照等均能够影响人脸图像的置信度。因此，为了保证人脸图像的采集的准确度，工作人员可以根据实际情况对前台终端的放置位置进行调整，并设置语音提醒信息来提醒待识别病人采用合适的位置或合适的角度进行拍照。

步骤705，采用特征融合单元依据n个人脸图像分别对应的置信度，对n个人脸图像的特征向量进行特征融合，得到融合特征信息。

在本申请实施例中，前台终端在获取上述置信度之后，采用特征融合单元依据n个人脸图像分别对应的置信度，对n个人脸图像的特征向量进行特征融合，得到融合特征信息。可选地，该融合特征信息包括融合特征向量。

步骤706，采用身份识别单元根据融合特征信息确定待识别病人的身份。

在本申请实施例中，前台终端在获取上述融合特征信息之后，采用身份识别单元根据融合特征信息确定待识别病人的身份。

可选地，上述融合特征信息包括融合特征向量。前台终端在确定待识别病人的身份时，从病人信息库中获取各个病人的特征向量，并确定该各个病人的特征向量与上述融合特征向量之间的距离，进而在距离小于阈值的情况下，确定该阈值对应的病人即为上述待识别病人，实现针对待识别病人的身份识别。其中，上述病人信息库可以是某个医院独立存储的，也可以是各个医院联合存储的，本申请实施例对此不作限定。

步骤707，基于待识别病人的身份获取相关信息。

可选地，在本申请实施例中，前台终端在确定上述待识别病人的身份之后，基于该待识别病人的身份获取相关信息。

在一种可能的实施方式中，不同医院的信息独立存储互不相通，上述相关信息可以是存储在本医院的信息。

在另一种可能的实施方式中，不同医院的信息共同存储或互相相通，上述相关信息可以是存储在其它医院的信息。

可选地，前台终端在获取上述相关信息之后，将该相关信息发送至医生的用户终端，使得医生能够对上述待识别病人有所了解。

综上所述，通过多个包含待识别对象的图像进行特征融合，采用融合特征信息进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确；根据多个图像分别对应的置信度对各个图像的特征信息进行融合，且置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度，能够有效保证融合特征信息在身份识别过程中的可靠程度，确保身份识别的准确性；在医疗领域运用身份识别方案，依据待识别病人的身份确定用户的相关信息，使得医生能够对病人的相关信息进行足够了解，保证治疗的有效性和针对性。

下面，结合参考图8，本申请中的身份识别方法可应用于交通领域中。可选地，该身份识别方法的执行主体为车站入口的人脸扫描终端，具体步骤如下：

步骤801，获取包含待识别对象的p个人脸图像。

在本申请实施例中，人脸扫描终端在确定待识别对象的身份时，可以先获取包含待识别对象的p个人脸图像。其中，p为大于一的正整数，当然，工作人员也可以根据实际情况对p的数值进行灵活调整，本申请实施例对此不作限定。

可选地，人脸扫描终端可以依据具有拍摄功能的电子设备获取包含待识别对象的p个人脸图像。其中，上述具有拍摄功能的电子设备可以直接设置在人脸扫描终端上，也可以通过网络与人脸扫描终端相连接，本申请实施例对此不作限定。

步骤802，采用特征提取网络分别对p个人脸图像进行特征提取，得到p个人脸图像的特征图。

在本申请实施例中，人脸扫描终端在获取上述p个人脸图像之后，采用特征提取网络分别对p个人脸图像进行特征提取，得到p个人脸图像的特征图。其中，该特征图中包括人脸的空间结构信息。

步骤803，采用特征映射网络将p个人脸图像的特征图分别进行降维处理，得到p个特征向量。

在本申请实施例中，人脸扫描终端在获取上述p个特征图之后，采用特征映射网络将p个人脸图像的特征图分别进行降维处理，得到p个特征向量。

步骤804，采用置信度评估网络基于p个特征图和p个特征向量，得到p个人脸图像对应的置信度。

在本申请实施例中，人脸扫描终端在获取上述p个特征图和p个特征向量之后，采用置信度评估网络基于p个特征图和p个特征向量，得到p个人脸图像对应的置信度。其中，置 信度与可靠程度呈正比，即，人脸图像对应的置信度越高，人脸图像在针对待识别对象的身份识别过程中的可靠程度越高。

可选地，在本申请实施例中，待识别对象的拍摄角度、拍摄光照等均能够影响人脸图像的置信度。因此，为了保证人脸图像的采集的准确度，工作人员可以根据实际情况对人脸扫描终端的放置位置进行调整，并设置语音提醒信息来提醒待识别对象采用合适的位置或合适的角度进行拍照。

步骤805，采用特征融合单元依据p个人脸图像分别对应的置信度，对p个人脸图像的特征向量进行特征融合，得到融合特征信息。

在本申请实施例中，人脸扫描终端在获取上述置信度之后，采用特征融合单元依据p个人脸图像分别对应的置信度，对p个人脸图像的特征向量进行特征融合，得到融合特征信息。可选地，该融合特征信息包括融合特征向量。

步骤806，采用身份识别单元根据融合特征信息确定待识别对象的身份。

在本申请实施例中，人脸扫描终端在获取上述融合特征信息之后，采用身份识别单元根据融合特征信息确定待识别对象的身份。

可选地，上述融合特征信息包括融合特征向量。人脸扫描终端在确定待识别对象的身份时，从车票信息库中获取各个购买车票的用户的特征向量，并确定该各个用户的特征向量与上述融合特征向量之间的距离，进而在距离小于阈值的情况下，确定该阈值对应的用户即为上述待识别对象，实现针对待识别对象的身份识别。

综上所述，通过多个包含待识别对象的图像进行特征融合，采用融合特征信息进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确；根据多个图像分别对应的置信度对各个图像的特征信息进行融合，且置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度，能够有效保证融合特征信息在身份识别过程中的可靠程度，确保身份识别的准确性；在交通领域运用身份识别方案，在保证身份识别的准确性的情况下，能够更好地保证车站的管理。

需要说明的一点是，在本申请的具体实施方式中，涉及到的用户信息相关数据，如图像、人脸图像、相关信息等，当本申请以上实施例运用到具体产品或技术中时，需要获得用户许可或同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参考图9，其示出了本申请一个实施例提供的身份识别装置的框图。该装置具有实现上述身份识别方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置计算机设备中。该装置900可以包括：图像获取模块910、特征提取模块920、置信度确定模块930、特征融合模块940和身份识别模块950。

图像获取模块910，用于获取包含待识别对象的多个图像。

特征提取模块920，用于分别对所述多个图像进行特征提取，得到各个所述图像的特征信息。

置信度确定模块930，用于基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度。

特征融合模块940，用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息。

身份识别模块950，用于根据所述融合特征信息确定所述待识别对象的身份。

在示例性实施例中，所述置信度确定模块930，用于基于所述图像的特征图和特征向量，确定所述图像对应的置信度；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像，所述特征向量是采用特征映射网络对所述图像的特征图 进行降维处理后得到的向量表示。

在示例性实施例中，所述置信度确定模块930，还用于通过置信度评估网络基于所述图像的特征图和特征向量，在超球面空间中进行置信度评估处理，得到所述图像对应的置信度。

在示例性实施例中，所述融合特征信息包括融合特征向量；所述特征融合模块940，用于依据所述多个图像分别对应的置信度，对所述多个图像的特征图进行融合处理，得到融合特征图；将所述融合特征图映射为融合特征向量；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像；或者，依据所述多个图像分别对应的置信度，对所述多个图像的特征向量进行融合处理，得到融合特征向量；其中，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像。

在示例性实施例中，如图10所示，所述特征融合模块940，包括：权重确定单元941和特征获取单元942。

权重确定单元941，用于基于所述多个图像分别对应的置信度，确定所述多个图像分别对应的融合权重。

特征获取单元942，用于基于所述多个图像分别对应的融合权重，对所述多个图像的特征信息进行加权求和处理，得到所述融合特征信息。

在示例性实施例中，所述方法由身份识别模型实现，所述方法由身份识别模型实现，所述身份识别模型包括特征提取网络、特征映射网络、置信度评估网络、特征融合单元和身份识别单元；其中，所述特征提取网络用于分别对所述多个图像进行特征提取，得到各个所述图像的特征图；所述特征映射网络用于将所述图像的特征图映射为所述图像的特征向量；所述置信度评估网络用于基于所述图像的特征图和特征向量，确定所述图像对应的置信度；所述特征融合单元用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到所述融合特征信息；其中，所述特征信息包括所述特征图和/或所述特征向量；所述身份识别单元用于根据所述融合特征信息确定所述待识别对象的身份。

综上所述，本申请实施例提供的技术方案中，通过多个包含待识别对象的图像进行特征融合，采用融合特征信息进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确；根据多个图像分别对应的置信度对各个图像的特征信息进行融合，且置信度用于指示图像在针对待识别对象的身份识别过程中的可靠程度，能够有效保证融合特征信息在身份识别过程中的可靠程度，确保身份识别的准确性；以图像为单位确定每个图像的置信度进行特征融合，与相关技术中获取各个维度的特征的置信度进行特征融合相比，特征融合方式简便，有利于提高身份识别效率。

请参考图11，其示出了本申请一个实施例提供的身份识别模型的训练装置的框图。身份识别模型包括特征提取网络、特征映射网络和置信度评估网络。该装置具有实现上述身份识别模型的训练方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置计算机设备中。该装置1100可以包括：样本获取模块1110、特征获取模块1120、信息获取模块1130和网络训练模块1140。

样本获取模块1110，用于获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像。

特征获取模块1120，用于基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息。

信息获取模块1130，用于基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息。

网络训练模块1140，用于采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象 的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份。

模型生成模块1150，用于生成包括所述置信度评估网络的所述身份识别模型。

在示例性实施例中，所述网络训练模块1140，用于通过所述置信度评估网络基于所述身份的样本图像的特征信息进行置信度评估处理，得到所述身份的样本图像的置信度；基于所述身份的中心特征信息、所述身份的多个样本图像的特征信息和所述身份的多个样本图像的置信度，确定所述置信度评估网络的损失函数；基于所述损失函数，对所述置信度评估网络的参数进行调整。

在示例性实施例中，所述特征获取模块1120，用于从所述身份的多个样本图像中选择多个标准图像；基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个标准图像进行特征提取，获取所述多个标准图像的特征信息；对所述多个标准图像的特征信息进行求平均处理，得到所述身份的中心特征信息；或者，基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个样本图像进行特征提取，获取所述多个样本图像的特征信息；确定所述多个样本图像的特征信息的分类权重；选择分类权重最大的特征信息作为所述身份的中心特征信息；其中，所述分类权重用于指示所述样本图像的特征信息与所述身份之间的接近程度，所述分类权重与所述接近程度之间呈正比。

在示例性实施例中，所述信息获取模块1130，用于采用训练完成后的所述特征提取网络，对所述样本图像进行特征提取，得到所述样本图像的特征图，所述特征图包括所述样本图像包含的样本对象的空间结构信息；采用训练完成后的所述特征映射网络，将所述样本图像的特征图映射为所述样本图像的特征向量；其中，所述特征信息包括所述样本图像的特征图和所述样本图像的特征向量。

在示例性实施例中，所述置信度评估网络应用于身份识别模型，所述身份识别模型还包括：特征提取网络、特征映射网络、特征融合单元和身份识别单元；其中，所述特征提取网络用于分别对多个图像进行特征提取，得到各个所述图像的特征图；所述特征映射网络用于将所述图像的特征图映射为所述图像的特征向量；所述特征融合单元用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；其中，所述特征信息包括特征图和/或特征向量；所述身份识别单元用于根据所述融合特征信息确定所述多个图像包含的待识别对象的身份。

综上所述，本申请实施例提供的技术方案中，身份识别模型中包括置信度评估网络，且该置信度评估网络用于根据待识别对象的多个图像的特征信息确定各个图像对应的置信度，其中，该置信度用于融合各个图像的特征信息以确定待识别对象的身份，使得身份识别模型在身份识别过程中，能够依据各个图像的置信度对多个图像进行特征融合，一方面，采用多张图像进行身份识别，保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确。

需要说明的是，上述实施例提供的装置，在实现其功能时，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，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

请参考图12，其示出了本申请一个实施例提供的计算机设备的结构框图。该计算机设备可用于实现上述身份识别方法或身份识别模型的训练方法的功能。具体来讲：

计算机设备1200包括中央处理单元(Central Processing Unit，CPU)1201、包括随机存取存储器(Random Access Memory，RAM)1202和只读存储器(Read Only Memory，ROM)1203的系统存储器1204，以及连接系统存储器1204和中央处理单元1201的系统总线1205。计算机设备1200还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统 (Input/Output，I/O系统)1206，和用于存储操作系统1213、应用程序1214和其他程序模块1215的大容量存储设备1207。

基本输入/输出系统1206包括有用于显示信息的显示器1208和用于用户输入信息的诸如鼠标、键盘之类的输入设备1209。其中显示器1208和输入设备1209都通过连接到系统总线1205的输入输出控制器1210连接到中央处理单元1201。基本输入/输出系统1206还可以包括输入输出控制器1210以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1210还提供输出到显示屏、打印机或其他类型的输出设备。

大容量存储设备1207通过连接到系统总线1205的大容量存储控制器(未示出)连接到中央处理单元1201。大容量存储设备1207及其相关联的计算机可读介质为计算机设备1200提供非易失性存储。也就是说，大容量存储设备1207可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory，只读光盘)驱动器之类的计算机可读介质(未示出)。

不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable Programmable Read Only Memory，可擦除可编程只读存储器)、EEPROM(Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器)、闪存或其他固态存储其技术，CD-ROM、DVD(Digital Video Disc，高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器1204和大容量存储设备1207可以统称为存储器。

根据本申请的各种实施例，计算机设备1200还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1200可以通过连接在系统总线1205上的网络接口单元1211连接到网络1212，或者说，也可以使用网络接口单元1211来连接到其他类型的网络或远程计算机系统(未示出)。

所述存储器还包括计算机程序，该计算机程序存储于存储器中，且经配置以由一个或者一个以上处理器执行，以实现上述身份识别方法，或实现上述身份识别模型的训练方法。

在示例性实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或所述指令集在被处理器执行时以实现上述身份识别方法，或实现上述身份识别模型的训练方法。

可选地，该计算机可读存储介质可以包括：ROM(Read Only Memory，只读存储器)、RAM(Random Access Memory，随机存取记忆体)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory,电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。

在示例性实施例中，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述身份识别方法，或执行上述身份识别模型的训练方法。

Claims (25)

1. 一种身份识别方法，所述方法由计算机设备执行，所述方法包括：

   获取包含待识别对象的多个图像；

   分别对所述多个图像进行特征提取，得到各个所述图像的特征信息；

   基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；

   依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；

   根据所述融合特征信息确定所述待识别对象的身份。
2. 根据权利要求1所述的方法，其中，所述基于所述图像的特征信息，确定所述图像对应的置信度，包括：

   基于所述图像的特征图和特征向量，确定所述图像对应的置信度；

   其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示。
3. 根据权利要求2所述的方法，其中，所述基于所述图像的特征图和特征向量，确定所述图像对应的置信度，包括：

   通过置信度评估网络基于所述图像的特征图和特征向量，在超球面空间中进行置信度评估处理，得到所述图像对应的置信度。
4. 根据权利要求1所述的方法，其中，所述融合特征信息包括融合特征向量；

   所述依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息，包括：

   依据所述多个图像分别对应的置信度，对所述多个图像的特征图进行融合处理，得到融合特征图；将所述融合特征图映射为融合特征向量；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像；

   或者，

   依据所述多个图像分别对应的置信度，对所述多个图像的特征向量进行融合处理，得到融合特征向量；其中，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像。
5. 根据权利要求1所述的方法，其中，所述依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息，包括：

   基于所述多个图像分别对应的置信度，确定所述多个图像分别对应的融合权重；

   基于所述多个图像分别对应的融合权重，对所述多个图像的特征信息进行加权求和处理，得到所述融合特征信息。
6. 根据权利要求1至5任一项所述的方法，其中，所述方法由身份识别模型实现，所述身份识别模型包括特征提取网络、特征映射网络、置信度评估网络、特征融合单元和身份识别单元；其中，

   所述特征提取网络用于分别对所述多个图像进行特征提取，得到各个所述图像的特征图；

   所述特征映射网络用于将所述图像的特征图映射为所述图像的特征向量；

   所述置信度评估网络用于基于所述图像的特征图和特征向量，确定所述图像对应的置信度；

   所述特征融合单元用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到所述融合特征信息；其中，所述特征信息包括所述特征图和/或所述特征向量；

   所述身份识别单元用于根据所述融合特征信息确定所述待识别对象的身份。
7. 一种身份识别模型的训练方法，所述方法由计算机设备执行，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述方法包括：

   获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；

   基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息；

   基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；

   采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；

   生成包括所述置信度评估网络的所述身份识别模型。
8. 根据权利要求7所述的方法，其中，所述采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练，包括：

   通过所述置信度评估网络基于所述身份的样本图像的特征信息进行置信度评估处理，得到所述身份的样本图像的置信度；

   基于所述身份的中心特征信息、所述身份的多个样本图像的特征信息和所述身份的多个样本图像的置信度，确定所述置信度评估网络的损失函数；

   基于所述损失函数，对所述置信度评估网络的参数进行调整。
9. 根据权利要求7所述的方法，其中，所述基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息，包括：

   从所述身份的多个样本图像中选择多个标准图像；基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个标准图像进行特征提取，获取所述多个标准图像的特征信息；对所述多个标准图像的特征信息进行求平均处理，得到所述身份的中心特征信息；

   或者，

   基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个样本图像进行特征提取，获取所述多个样本图像的特征信息；确定所述多个样本图像的特征信息的分类权重；选择分类权重最大的特征信息作为所述身份的中心特征信息；其中，所述分类权重用于指示所述样本图像的特征信息与所述身份之间的接近程度，所述分类权重与所述接近程度之间呈正比。
10. 根据权利要求7所述的方法，其中，所述基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息，包括：

    采用训练完成后的所述特征提取网络，对所述样本图像进行特征提取，得到所述样本图像的特征图，所述特征图包括所述样本图像包含的样本对象的空间结构信息；

    采用训练完成后的所述特征映射网络，将所述样本图像的特征图映射为所述样本图像的 特征向量；

    其中，所述特征信息包括所述样本图像的特征图和所述样本图像的特征向量。
11. 根据权利要求7至10任一项所述的方法，其中，所述身份识别模型还包括：特征融合单元和身份识别单元；其中，

    所述特征融合单元用于依据多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；其中，所述特征信息包括特征图和/或特征向量；

    所述身份识别单元用于根据所述融合特征信息确定所述多个图像包含的待识别对象的身份。
12. 一种身份识别装置，所述装置包括：

    图像获取模块，用于获取包含待识别对象的多个图像；

    特征提取模块，用于分别对所述多个图像进行特征提取，得到各个所述图像的特征信息；

    置信度确定模块，用于基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；

    特征融合模块，用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；

    身份识别模块，用于根据所述融合特征信息确定所述待识别对象的身份。
13. 根据权利要求12所述的装置，所述置信度确定模块，用于：

    基于所述图像的特征图和特征向量，确定所述图像对应的置信度；

    其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示。
14. 根据权利要求13所述的装置，所述置信度确定模块，还用于：

    通过置信度评估网络基于所述图像的特征图和特征向量，在超球面空间中进行置信度评估处理，得到所述图像对应的置信度。
15. 根据权利要求12所述的装置，所述融合特征信息包括融合特征向量；所述特征融合模块，用于：

    依据所述多个图像分别对应的置信度，对所述多个图像的特征图进行融合处理，得到融合特征图；将所述融合特征图映射为融合特征向量；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像；

    或者，

    依据所述多个图像分别对应的置信度，对所述多个图像的特征向量进行融合处理，得到融合特征向量；其中，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像。
16. 根据权利要求12所述的装置，所述特征融合模块，包括：

    权重确定单元，用于基于所述多个图像分别对应的置信度，确定所述多个图像分别对应的融合权重；

    特征获取单元，用于基于所述多个图像分别对应的融合权重，对所述多个图像的特征信息进行加权求和处理，得到所述融合特征信息。
17. 根据权利要求12至16任一项所述的装置，所述方法由身份识别模型实现，所述身份识别模型包括特征提取网络、特征映射网络、置信度评估网络、特征融合单元和身份识别单元；其中，

    所述特征提取网络用于分别对所述多个图像进行特征提取，得到各个所述图像的特征图；

    所述特征映射网络用于将所述图像的特征图映射为所述图像的特征向量；

    所述置信度评估网络用于基于所述图像的特征图和特征向量，确定所述图像对应的置信度；

    所述特征融合单元用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到所述融合特征信息；其中，所述特征信息包括所述特征图和/或所述特征向量；

    所述身份识别单元用于根据所述融合特征信息确定所述待识别对象的身份。
18. 一种身份识别模型的训练装置，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述装置包括：

    样本获取模块，用于获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；

    特征获取模块，用于基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取，得到所述样本图像的特征信息；

    信息获取模块，用于基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；

    网络训练模块，用于采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；

    模型生成模块，用于生成包括所述置信度评估网络的所述身份识别模型。
19. 根据权利要求18所述的装置，所述网络训练模块，用于：

    通过所述置信度评估网络基于所述身份的样本图像的特征信息进行置信度评估处理，得到所述身份的样本图像的置信度；

    基于所述身份的中心特征信息、所述身份的多个样本图像的特征信息和所述身份的多个样本图像的置信度，确定所述置信度评估网络的损失函数；

    基于所述损失函数，对所述置信度评估网络的参数进行调整。
20. 根据权利要求18所述的装置，所述特征获取模块，用于：

    从所述身份的多个样本图像中选择多个标准图像；基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个标准图像进行特征提取，获取所述多个标准图像的特征信息；对所述多个标准图像的特征信息进行求平均处理，得到所述身份的中心特征信息；

    或者，

    基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个样本图像进行特征提取，获取所述多个样本图像的特征信息；确定所述多个样本图像的特征信息的分类权重；选择分类权重最大的特征信息作为所述身份的中心特征信息；其中，所述分类权重用于指示所述样本图像的特征信息与所述身份之间的接近程度，所述分类权重与所述接近程度之间呈正比。
21. 根据权利要求18所述的装置，所述信息获取模块，用于：

    采用训练完成后的所述特征提取网络，对所述样本图像进行特征提取，得到所述样本图 像的特征图，所述特征图包括所述样本图像包含的样本对象的空间结构信息；

    采用训练完成后的所述特征映射网络，将所述样本图像的特征图映射为所述样本图像的特征向量；

    其中，所述特征信息包括所述样本图像的特征图和所述样本图像的特征向量。
22. 根据权利要求18至21任一项所述的装置，所述身份识别模型还包括：特征融合单元和身份识别单元；其中，

    所述特征融合单元用于依据多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；其中，所述特征信息包括特征图和/或特征向量；

    所述身份识别单元用于根据所述融合特征信息确定所述多个图像包含的待识别对象的身份。
23. 一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法，或实现如权利要求7至11任一项所述的身份识别模型的训练方法。
24. 一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法，或实现如权利要求7至11任一项所述的身份识别模型的训练方法。
25. 一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机指令，所述计算机指令存储在计算机可读存储介质中，计算机设备的处理器从所述计算机可读存储介质读取所述计算机指令，处理器执行所述计算机指令，以实现如权利要求1至6任一项所述的身份识别方法，或实现如权利要求7至11任一项所述的身份识别模型的训练方法。

Images