一种身份识别方法、装置以及存储介质制造方法及图纸

本发明专利技术提供一种身份识别方法、装置以及存储介质，属于图片识别技术领域，方法包括：导入多个行人图片，分别对各个行人图片进行人脸识别得到目标人脸图片；对多个目标人脸图片进行隶属度矩阵的构建分析得到隶属度矩阵；根据隶属度矩阵对多个目标人脸图片以及多个行人图片进行划分得到接受域、拒绝域和不确定域；分别对接受域、拒绝域以及不确定域进行身份识别分析得到身份识别结果。本发明专利技术能够在不同场景下的目标采用合适的识别方法，区别于单一仅采用人脸或者行人的识别，对目标身份的识别准确率有了显著的提升，能够适用于复杂的现实情况。况。况。

【技术实现步骤摘要】
一种身份识别方法、装置以及存储介质


[0001]本专利技术主要涉及图像处理
，具体涉及一种身份识别方法、装置以及存储介质。

技术介绍

[0002]在目前的目标身份识别任务中，人脸和行人目标识别方法都各具优势，但是，通过实际的智能监控视频发现，在现实场景下，存在大量的遮挡等问题，因此使用单一的目标识别方法无法应对复杂的现实情况。而何时用合适的目标识别模型以达到最佳的识别效果成为了现在迫切需要解决的问题。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种身份识别方法、装置以及存储介质。
[0004]本专利技术解决上述技术问题的技术方案如下：一种身份识别方法，包括如下步骤：
[0005]导入多个行人图片，分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片；
[0006]对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵；
[0007]根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分，得到接受域、拒绝域和不确定域；
[0008]分别对所述接受域、所述拒绝域以及所述不确定域进行身份识别分析，得到身份识别结果。
[0009]本专利技术解决上述技术问题的另一技术方案如下：一种身份识别装置，包括：
[0010]人脸识别模块，用于导入多个行人图片，分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片；
[0011]矩阵构建模块，用于对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵；
[0012]图片划分模块，用于根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分，得到接受域、拒绝域和不确定域；
[0013]识别结果获得模块，用于分别对所述接受域、所述拒绝域以及所述不确定域进行身份识别分析，得到身份识别结果。
[0014]本专利技术解决上述技术问题的另一技术方案如下：一种身份识别装置，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，当所述处理器执行所述计算机程序时，实现如上所述的身份识别方法。
[0015]本专利技术解决上述技术问题的另一技术方案如下：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，当所述计算机程序被处理器执行时，实现如上所述的身份识别方法。
[0016]本专利技术的有益效果是：通过分别对各个行人图片进行人脸识别得到目标人脸图片，对多个目标人脸图片的隶属度矩阵构建分析得到隶属度矩阵，根据隶属度矩阵对多个目标人脸图片以及多个行人图片的划分得到接受域、拒绝域和不确定域，分别对接受域、拒绝域以及不确定域的身份识别分析得到身份识别结果，能够在不同场景下的目标采用合适的识别方法，区别于单一仅采用人脸或者行人的识别，对目标身份的识别准确率有了显著的提升，能够适用于复杂的现实情况。
附图说明
[0017]图1为本专利技术实施例提供的一种身份识别方法的流程示意图；
[0018]图2为本专利技术实施例提供的一种身份识别装置的模块框图。
具体实施方式
[0019]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0020]图1为本专利技术实施例提供的一种身份识别方法的流程示意图。
[0021]如图1所示，一种身份识别方法，包括如下步骤：
[0022]导入多个行人图片，分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片；
[0023]对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵；
[0024]根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分，得到接受域、拒绝域和不确定域；
[0025]分别对所述接受域、所述拒绝域以及所述不确定域进行身份识别分析，得到身份识别结果。
[0026]应理解地，所述行人图片为能看到整个人身体的图片。
[0027]上述实施例中，通过分别对各个行人图片进行人脸识别得到目标人脸图片，对多个目标人脸图片的隶属度矩阵构建分析得到隶属度矩阵，根据隶属度矩阵对多个目标人脸图片以及多个所述行人图片的划分得到接受域、拒绝域和不确定域，分别对接受域、拒绝域以及不确定域的身份识别分析得到身份识别结果，能够在不同场景下的目标采用合适的识别方法，区别于单一仅采用人脸或者行人的识别，对目标身份的识别准确率有了显著的提升，能够适用于复杂的现实情况。
[0028]可选地，作为本专利技术的一个实施例，所述分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片的过程包括：
[0029]利用insightface算法分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片。
[0030]应理解地，所述insightface算法是insightface模型中的一小部分，是人脸检测模块。
[0031]应理解地，目标数据集是我们要识别的行人数据集D1(即多个所述行人图片)，其利用insightface算法中的人脸检测模块，将D1(即多个所述行人图片)中的人脸图片扣出来，得到各目标对应的人脸数据集D2(即所述目标人脸图片)。
[0032]上述实施例中，利用insightface算法分别对各个行人图片的人脸识别得到目标人脸图片，提取出更加准确的数据，为后续处理提供必要的数据支撑。
[0033]可选地，作为本专利技术的一个实施例，所述对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵的过程包括：
[0034]利用卷积神经网络模型分别对各个所述目标人脸图片进行分类处理，得到与各个所述目标人脸图片对应的预测概率；
[0035]根据所有的所述预测概率构建得到隶属度矩阵。
[0036]应理解地，所述卷积神经网络模型是指卷积神经网络(Convolutional Neural Networks,CNN)，即为一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。卷积神经网络具有表征学习(representation learning)能力，能够按其阶层结构对输入信息进行平移不变分类(shift
‑
invariant classification)，因此也被称为“平移不变人工神经网络(Shift
‑
Invariant Artificial Neural Networks,SIANN)”。
[0037]应理解地，关于目标身份识别，由于人脸身份识别的可靠性优于行人重识别的可靠性，所以对于数据集D2(即多个所述人脸图片)这个人脸库进行隶属度的划分，所谓的隶属度矩阵就是利用卷积神经网络模型对所有样本所给出的预测概率，假定类别数为C，输入样本数为N，则本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种身份识别方法，其特征在于，包括如下步骤：导入多个行人图片，分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片；对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵；根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分，得到接受域、拒绝域和不确定域；分别对所述接受域、所述拒绝域以及所述不确定域进行身份识别分析，得到身份识别结果。2.根据权利要求1所述的身份识别方法，其特征在于，所述分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片的过程包括：利用insightface算法分别对各个所述行人图片进行人脸识别，得到与各个所述行人图片分别对应的目标人脸图片。3.根据权利要求1所述的身份识别方法，其特征在于，所述对多个所述目标人脸图片进行隶属度矩阵的构建分析，得到隶属度矩阵的过程包括：利用卷积神经网络模型分别对各个所述目标人脸图片进行分类处理，得到与各个所述目标人脸图片对应的预测概率；根据所有的所述预测概率构建得到隶属度矩阵。4.根据权利要求1所述的身份识别方法，其特征在于，所述隶属度矩阵包括多个与所述目标人脸图片对应的隶属度值，所述根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分，得到接受域、拒绝域和不确定域的过程包括：筛选所有隶属度值的最大值，得到最大隶属度值；筛选所有隶属度值的最小值，得到最小隶属度值；根据所述最大隶属度值和所述最小隶属度值对多个所述隶属度值进行阈值分析，得到目标阈值；当所述隶属度值小于或等于所述目标阈值时，则将与所述隶属度值对应的行人图片作为拒绝域图片；当所述隶属度值大于所述目标阈值，且小于所述最大隶属度值与所述目标阈值之差时，则将与所述隶属度值对应的目标人脸图片作为接受域图片；当所述隶属度值大于或等于所述最大隶属度值与所述目标阈值之差时，则将与所述隶属度值对应的行人图片以及与所述隶属度值对应的目标人脸图片一并作为不确定域图片；集合所有的接受域图片得到接受域，集合所有的拒绝域图片得到拒绝域，集合所有的不确定域图片得到不确定域。5.根据权利要求4所述的身份识别方法，其特征在于，所述根据所述最大隶属度值和所述最小隶属度值对多个所述隶属度值进行阈值分析，得到目标阈值的过程包括：通过第一式对所述最大隶属度值和所述最小隶属度值进行原始阈值的计算，得到原始阈值，所述第一式为：β＝p
min
+0.5p
max
，其中，β为原始阈值，p
min
为最小隶属度值，p
max
为最大隶属度值；按照预设幅度值对所述原始阈值进行递减，直至所述原始阈值等于零，从而得到多个递减后的阈值；
通过第二式和多个所述隶属度值分别对所述原始阈值以及各个所述递减后的阈值进行最优化目标函数的计算，得到与所述原始阈值或所述递减后的阈值对应的最优化目标函数，...

【专利技术属性】
技术研发人员：莫建文，李晋，蔡晓东，陈锦威，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：