多特征融合的身份识别方法与流程
本发明涉及身份识别技术领域，特别是涉及一种多特征融合的身份识别方法、装置、存储介质及计算机设备。
背景技术：
随着身份识别技术的成熟和社会认同度的提高，身份识别技术被广泛应用在很多领域，例如门禁考勤、手机解锁等。相较于传统的刷脸、刷指纹技术，当下的身份识别技术要求能够在大范围、远距离、多角度的情况下运行，且无需待识别对象的配合，以便于在课堂、街区等场景下，实现非干预情况下的短时间并发识别。
目前，通常基于人脸特征进行身份识别，但是，由于人脸识别技术对人脸与摄像头的距离和角度要求较高，而在很多实际应用场景中，待识别对象可能距离摄像头较远，且动态情况下人脸必然会存在不同角度的偏移，因此，传统的人脸识别方法需要待识别对象反复对准摄像头，导致身份识别的效率和准确性大大降低。
技术实现要素：
有鉴于此，本发明提供一种多特征融合的身份识别方法、装置、存储介质及计算机设备，主要目的在于能够通过将人脸识别、身高识别以及衣着识别等多个身份识别特征融合进行身份识别，从而提高远距离、多角度情况下的身份识别效率和准确性。
依据本发明一个方面，提供了一种多特征融合的身份识别方法，包括：
获取带有待识别对象多个身份识别特征的图像；
利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；
利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；
定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；
根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；
若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
进一步地，所述利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据，包括：
通过建立的多目标人脸检测器，对所述图像进行特征点配准，得到带有特征点标记的人脸图像；
利用预先训练的深度残差网络对所述人脸图像进行处理和识别，并输出人脸特征向量；
将对所述人脸特征向量与预先录入的人脸特征向量进行处理得到的余弦相似度数据确定为所述人脸相似度数据。
进一步地，所述利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据，包括：
根据所述图像提取待识别对象的轮廓特征数据；
利用对所述轮廓特征数据与预设参照物特征数据进行处理得到的高度比例系数，以及所述身高相似度算法，得到身高相似度数据。
进一步地，所述根据所述图像提取待识别对象的轮廓特征数据，包括：
对所述图像进行处理得到由点集合组成的待识别对象外轮廓，通过循环遍历算法比较所述点集合中各点的纵坐标，将得到的最大纵坐标与最小纵坐标之差作为所述待识别对象的轮廓特征数据。
进一步地，所述根据所述图像提取待识别对象的轮廓特征数据之前，所述方法还包括：
对所述图像进行二值处理，得到所述待识别对象的黑白图像，并对所述黑白图像进行降噪处理。
进一步地，所述定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据，包括：
根据所述人脸图像，以及预设的人脸区域与衣着区域的比例关系，对所述衣着区域进行定位；
基于hsv空间提取所述衣着区域的颜色直方图数据；
根据所述颜色直方图数据以及巴氏距离度量算法，得到衣着相似度数据。
进一步地，所述根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据，包括：
利用主成分分析法及所述图像，得到所述各身份识别特征的影响权重系数；
将所述各身份识别特征的相似度数据与对应的影响权重系数之积作为所述各身份识别特征的相似度评分；
将所述各身份识别特征的相似度评分之和作为所述多特征融合的总相似度数据。
进一步地，所述方法还包括：
将所述总相似度数据与预先设定的身份识别数据阈值进行对比，若所述总相似度数据不超过预先设定的身份识别数据阈值，则反馈识别失败信息。
依据本发明第二方面，提供了一种多特征融合的身份识别装置、存储介质及计算机设备，包括：
获取单元，用于获取带有待识别对象多个身份识别特征的图像；
人脸识别单元，用于利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；
身高识别单元，用于利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；
衣着识别单元，用于定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；
融合单元，用于根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；
反馈单元，用于若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
进一步地，所述人脸识别单元，包括：
检测模块，用于通过建立的多目标人脸检测器，对所述图像进行特征点配准，得到带有特征点标记的人脸图像；
识别模块，用于利用预先训练的深度残差网络对所述人脸图像进行处理和识别，并输出人脸特征向量；
确定模块，用于将对所述人脸特征向量与预先录入的人脸特征向量进行处理得到的余弦相似度数据确定为所述人脸相似度数据。
进一步地，所述身高识别单元，包括：
第一提取模块，用于根据所述图像提取待识别对象的轮廓特征数据；
第一处理模块，用于利用对所述轮廓特征数据与预设参照物特征数据进行处理得到的高度比例系数，以及所述身高相似度算法，得到身高相似度数据。
进一步地，所述第一提取模块具体用于对所述图像进行处理得到由点集合组成的待识别对象外轮廓，通过循环遍历算法比较所述点集合中各点的纵坐标，将得到的最大纵坐标与最小纵坐标之差作为所述待识别对象的轮廓特征数据。
对于本发明实施例，所述装置还包括：
处理单元，用于对所述图像进行二值处理，得到所述待识别对象的黑白图像，并对所述黑白图像进行降噪处理。
进一步地，所述衣着识别单元，包括：
定位模块，用于根据所述人脸图像，以及预设的人脸区域与衣着区域的比例关系，对所述衣着区域进行定位；
第二提取模块，用于基于hsv空间提取所述衣着区域的颜色直方图数据；
第二处理模块，用于根据所述颜色直方图数据以及巴氏距离度量算法，得到衣着相似度数据。
进一步地，所述融合单元，包括：
权重模块，用于利用主成分分析法及所述图像，得到所述各身份识别特征的影响权重系数；
评分模块，用于将所述各身份识别特征的相似度数据与对应的影响权重系数之积作为所述各身份识别特征的相似度评分；
融合模块，用于将所述各身份识别特征的相似度评分之和作为所述多特征融合的总相似度数据。
进一步地，所述反馈单元具体还用于将所述总相似度数据与预先设定的身份识别数据阈值进行对比，若所述总相似度数据不超过预先设定的身份识别数据阈值，则反馈识别失败信息。
依据本发明第三方面，提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述执行指令使处理器执行以下步骤：获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
依据本发明第四方面，提供了一种计算机设备，包括处理器、存储器、通信接口和通信总线所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信，所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下步骤：获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
本发明提供一种多特征融合的身份识别方法、装置、存储介质及计算机设备，与现有技术仅通过人脸识别技术进行身份特征识别相比，本发明通过获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。从而能够通过将人脸识别、身高识别以及衣着识别等多个特征融合进行身份识别，从而提高远距离、多角度情况下的身份识别效率和准确性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种多特征融合的身份识别方法流程图；
图2示出了本发明实施例提供的一种高度比例系数计算方法示意图；
图3示出了本发明实施例提供的一种课堂签到应用场景示意图；
图4示出了本发明实施例提供的一种多特征融合的身份识别装置的结构示意图；
图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
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的传达给本领域的技术人员。
如背景技术所述，目前，通常基于人脸特征进行身份识别，但是，由于人脸识别技术对人脸与摄像头的距离和角度要求较高，而在很多实际应用场景中，待识别对象可能距离摄像头较远，并且人脸必然会存在不同角度的偏移，因此在动态或者远距离的情况下，传统的人脸识别方法需要待识别对象反复对准摄像头，导致身份识别的效率和准确性大大降低。
为了解决上述问题，本发明实施例提供了一种多特征融合的身份识别方法，如图1所示，所述方法包括：
101、获取带有待识别对象多个身份识别特征的图像。
其中，所述多个身份识别特征具体可以包括人脸特征、身高特征以及衣着特征。所述图像可以通过扫描设备得到，在实际应用场景中，如课堂、街区等场景下，需要同时对多个待识别对象进行身份识别，因此，所述获取的图像中可以带有多个待识别对象。
102、利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据。
其中，所述人脸特征数据具体可以包括人脸图像以及人脸特征向量等。具体地，对所述获得的图像进行识别和处理，可以获取待识别对象的人脸图像，从所述人脸图像中提取待识别对象的人脸特征向量，将所述人脸特征向量与预先录入的人脸特征向量进行对比计算，得到人脸相似度数据。所述预先录入的人脸特征向量可以通过对预先录入的待识别对象图像进行处理而得到，利用所述预先录入的人脸特征向量建立数据库，并根据识别的人脸特征向量，在所述数据库中查找对应的人脸特征向量进行对比计算。
103、利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据。
其中，所述身高特征数据具体可以包括所述待识别对象的轮廓特征。具体地，根据获取的待识别对象图像，可以提取所述待识别对象的轮廓特征，根据所述轮廓特征的最高点与最低点可以得到所述待识别对象的身高差值，将所述身高差值与预设的不变参照物高度值进行比较，得到所述待识别对象与不变参照物的高度比例系数，根据身高相似度算法、所述高度比例系数可以得到身高相似度数据。需要说明的是，所述不变参照物可以设置为图像中的不变物体，具体可以设置为门、桌子等，并可以建立参照物数据库，通过所述高度比例系数对应查找高度相似的物体，以便于进行身高相似度计算。
104、定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据。
其中，所述衣着区域可以根据获取的人脸区域进行平移和放大获得，由于所述衣着区域与所述人脸区域的位置相对固定，因此可以通过预设的比例系数将得到的人脸区域等比例放大，并参照人脸区域对应平移，得到衣着区域。所述预设的衣着相似度算法具体可以为通过hsv颜色空间计算所述衣着区域的颜色直方图数据，并通过所述颜色直方图数据，得到所述衣着相似度数据。
105、根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据。
对于本发明实施例，根据得到的所述人脸相似度数据、所述身高相似度数据以及所述衣着相似度数据，以及通过主成分分析法得到各不同识别特征的影响权重系数，可以得到多特征融合的总相似度数据，所述多特征融合的总相似度数据具体可以用于判定待识别对象的图像与预先录入的图像是否匹配。
106、若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
对于本发明实施例，所述身份识别数据阈值可以为预先设置的，用于衡量所述多特征融合的总相似度数据是否达到成功识别标准，具体地，若所述总相似度数据超过预设的身份识别数据阈值，则判定识别成功，并反馈识别成功信息；若所述总相似度数据不超过预设的身份识别数据阈值，则判定识别失败，并反馈识别失败信息。
进一步的，为了更好的说明上述多特征融合的身份识别方法的过程，作为对上述实施例的细化和扩展，本发明实施例提供了几种可选实施例，但不限于此，具体如下所示：
在本发明的一个可选实施例，所述步骤102具体可以包括：通过建立的多目标人脸检测器，对所述图像进行特征点配准，得到带有特征点标记的人脸图像；利用预先训练的深度残差网络对所述人脸图像进行处理和识别，并输出人脸特征向量；将对所述人脸特征向量与预先录入的人脸特征向量进行处理得到的余弦相似度数据确定为所述人脸相似度数据。
其中，所述多目标人脸检测器可以通过hog特征+svm和图像金字塔的方法建立。具体过程可以包括：1)训练svm分类器；2)将待检测的图像构造图像金字塔；3)滑动窗口，在所述图像金字塔的各个尺度上截取目标窗口；4)对所述目标窗口提取hog特征；5)将提取的hog特征送入svm分类器中，分类判断目标窗口是否为人脸图像，以实现多人脸图像特征点配准，得到带有68个特征点标记的人脸图像。
在得到所述人脸图像后，可以通过预先训练的深度残差网络实现图像的自动处理和识别，输出一个代表人脸特征的128维向量。具体过程可以包括：1)将得到的所述带有68个特征点标记的人脸图像存储至存储器中；2)通过人脸检测模块检测人脸区域，同时定位人脸的关键点；3)裁剪出人脸区域图像，并根据人脸的关键点进行对齐；4)对人脸区域图像进行训练，计算出人脸图像训练集中的平均人脸图像，把人脸图像训练集中的每副人脸区域图像减去平均人脸图像后进行网络参数的训练得到卷积神经网络的模型；5)利用训练得到的模型前向网络，获得一个代表人脸特征的128维向量。
得到所述代表人脸特征的128维向量后，通过计算所述128维向量与通过预先录入待识别对象人脸图像中提取的128为特征向量之间的余弦相似度，进而计算出标准人脸与待识别人脸的相似度。所述余弦相似度，也称余弦距离，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。例如：假设两向量分别为x＝(x1,x2,......,x128)和y＝(y1,y2,......,y128)，通过以下公式可以计算出两向量的余弦相似度：
其中：cosθ表示两向量的余弦相似度，xi、yi分别表示两向量。
在得到两向量的余弦相似度后，可以通过以下公式对所述得到的余弦相似度进行归一化，得到的sface即表示所述待识别对象的人脸相似度数据。
sface＝0.5+0.5cosθ
当两个向量之间的夹角θ趋向0时，代表两个向量越接近，cosθ越接近1，两向量代表的人脸越相似。当相似度达到设定的阈值时，即可认为两张人脸来自同一个人。
在本发明的另一个可选实施例，所述步骤103具体可以包括：根据所述图像提取待识别对象的轮廓特征数据；利用对所述轮廓特征数据与预设参照物特征数据进行处理得到的高度比例系数，以及所述身高相似度算法，得到身高相似度数据。
对于本发明实施例，由于身高作为一个较为明显的生物特征，在短时间内变化幅度较小，并且在远距离识别时这一整体特征较易提取，因此，将身高特征作为远距离识别人物时的辅助身份识别特征。具体地，提取所述待识别对象的轮廓特征数据，所述轮廓特征数据可以包括所述待识别对象的身高差值。根据不同的应用场景，可以选取所述图像中的不变参照物，提取所述不变参照物的高度数据作为参照系数，并根据所述轮廓特征数据与所述预设参照物特征数据进行处理，得到高度比例系数，所述参照物特征数据可以通过预先建立的参照物标准库查找，如图2所示。所述身高差值与所述图像中某一参照物高度的高度比例系数的计算公式如下所示：
其中：heightperson表示通过轮廓提取获得的待识别对象在所述图像中轮廓最高点和最低点之间像素点数量，heightrely表示使用轮廓提取的方式获得的不变参照物的高度。htperson表示待识别对象的真实高度，htrely表示参照物的真实高度。
获取到所述身高差值与所述图像中某一参照物高度的高度比例系数之后，可以通过以下公式计算身高相似度数据。
其中：所述sheight表示身高相似度数据，htstandard表示真实测量后得到的所述待识别对象的真实身高。
对于本发明实施例，所述根据所述图像提取待识别对象的轮廓特征数据，包括：对所述图像进行处理得到由点集合组成的待识别对象外轮廓，通过循环遍历算法比较所述点集合中各点的纵坐标，将得到的最大纵坐标与最小纵坐标之差作为所述待识别对象的轮廓特征数据。
具体地，对所述图像进行处理，得到待识别对象轮廓，处理所述轮廓内部的小轮廓环，并将所述所述轮廓的分离区域进行连通以得到一系列由点集合组成的外轮廓。对组成所述外轮廓点集合中所有点进行循环遍历，得到所有点的坐标数值，比较各点纵坐标的大小，将最大纵坐标与最小纵坐标的差值作为所述待识别对象的身高差值，具体计算公式如下所示：
heightperson＝max(hi)-min(hj)
其中：i、j分别为所述点集合中纵坐标最大与最小的点。
对于本发明实施例，为了便于提取所述待识别对象的轮廓特征，在所述根据所述图像提取待识别对象的轮廓特征数据之前，所述方法还可以包括：对所述图像进行二值处理，得到所述待识别对象的黑白图像，并对所述黑白图像进行降噪处理。
具体地，首先对获取的图像进行二值处理，使图像呈现出明显的黑白效果，便于后续机器的操作，具体过程可以包括：采用灰度变换将灰度图像的灰度值分布进行线性拉伸，利用形态学闭操作估计出所述图像的背景，再通过u型卷积神经网络对剔除估计背景后的图像进行分割，并采用全局最优阈值处理算法实现图像二值化。对图像二值处理后得到的黑白图像进行降噪处理过程具体可以包括：形态学腐蚀、膨胀、开闭操作和顶帽黑帽运算等操作，上述操作为现有技术，本发明实施例此处不做具体说明。通过降噪处理过程可以消除所述图像中的噪点，以便于更好的提取所述图像中待识别对象的轮廓数据，防止噪点干扰。
在本发明的又一个可选实施例，所述步骤104具体可以包括：根据所述人脸图像，以及预设的人脸区域与衣着区域的比例关系，对所述衣着区域进行定位；基于hsv空间提取所述衣着区域的颜色直方图数据；根据所述颜色直方图数据以及巴氏距离度量算法，得到衣着相似度数据。
在实际应用场景中，进行远距离身份识别时，由于衣着特征较为明显且较易提取，在颜色和样式之间存在较大的差异，因此，本发明实施例选取衣着特征作为在远距离身份识别时辅助人脸识别的身份识别特征。
对于本发明实施例，由于衣着会随着人体的运动而发生形变，不具备刚性特征和共性特征，因此很难直接确定衣服区域的位置和大小，但是衣着区域与人脸区域有着确定的位置关系，因此本发明实施例中将人脸识别过程中得到的人脸矩形框，按照人体测量学确定的人体比例进行放大，并移动至相应的衣着区域，以此确定衣着的位置与大小。所述确定衣着区域的公式如下所示：
其中：h、w分别表示衣着区域的高和宽，h0、w0分别表示人脸区域的高和宽，α可以取值为3，β可以取值为2。
在对所述衣着区域进行定位后，可以对应计算所述衣着区域的颜色直方图数据，所述颜色直方图是常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，并且若进一步借助归一化处理还可以不受图像尺度变化的影响。本发明实施例中具体可以基于hsv空间来计算颜色直方图数据，其中，h、s和v分别代表色彩(hue)、饱和度(saturation)和值(value)。具体过程可以包括：首先进行颜色量化，将颜色空间划分成若干个小的颜色区间(bin)。考虑到光照对颜色识别会产生一定的影响，在模型训练阶段，将三个分量分别量化成hcolor个颜色区间、scolor个颜色区间和vcolor个颜色区间，计算颜色落在每个颜色区间内的像素数量h(i)，再对其进行归一化处理，即可得到不同衣着的颜色直方图数据，具体公式如下所示。
n＝hcolor+scolor+vcolor
其中：h(i)表示归一化后像素数量值，n表示总像素数量，hcolor、scolor、vcolor分别表示颜色落在对应颜色区间内的像素数量。
根据得到的颜色直方图数据，利用巴氏距离的度量方法来计算待识别对象衣着区域的颜色直方图m1与与预先建立的标准库中样本衣着颜色直方图m2之间的相似度数据，具体公式如下图所示：
其中：sclothes表示衣着相似度数据。
在本发明的再一个可选实施例，所述步骤105具体可以包括：利用主成分分析法及所述图像，得到所述各身份识别特征的影响权重系数；将所述各身份识别特征的相似度数据与对应的影响权重系数之积作为所述各身份识别特征的相似度评分；将所述各身份识别特征的相似度评分之和作为所述多特征融合的总相似度数据。
其中，本发明可以通过主成分综合评价法选择出影响最大的身份识别特征用于计算融合结果值及各主要特征的影响权重系数值。具体地，假设第i个样本的系数取值分别记作
s＝sface·wface+sclothes·wclothes+sheight·wheight
其中：s表示多特征融合的总相似度，wface、wclothes、wheight分别表示各身份识别特征的影响权重系数。
在本发明的再一个可选实施例，所述步骤106具体可以包括：将所述总相似度数据与预先设定的身份识别数据阈值进行对比，若所述总相似度数据不超过预先设定的身份识别数据阈值，则反馈识别失败信息。
具体地，所述身份识别数据阈值可以为预先设定的准确率较高的综合评价得分判定阈值。若所述多特征融合的总相似度数据大于等于所述阈值，则可以判定识别成功，并输出识别成功信息；若所述多特征融合的总相似度数据小于所述阈值，则可以判定为识别失败，并输出识别失败信息。
在实际应用场景中，本发明实施例可以应用于课堂签到，如图3所示，由于课堂签到场景的特点是短时间并发，不能要求所有待识别对象都按顺序进行排队识别，所以属于远距离、多角度的身别识别问题，可以通过多特征融合进行身份识别，其中人脸特征与身高特征是生物特征，不易改变，只需采集一次，衣着特征不稳定，但在一般情况下一天内不会更换衣服，因此衣着特征可以在第一次进行身份识别时采集。另外，由于课堂签到需在课间完成，而待识别对象往往同时进行身份识别，获得的图像内具有多个待识别对象，要求多特征融合识别算法在实际应用中处理多目标集中并发问题。因此本发明实施例通过设置速度适配缓冲区缓解产生数据快速且集中的检测和相对较慢的识别之间的冲突，将并行的多目标检测器结果数据顺序存入缓冲区，即待识别对象队列，按“先进先出”的特性存取数据，以解决集中并发的人脸识别问题。同时，为了从源头上缓解短时并发识别产生的大量数据压力，减少多目标识别时对同一对象的重复检测次数，还可以通过定时启动多目标检测器的方法。由于课堂人脸识别签到是一个即签即走的模式，为保证不错过对不同对象的检测，时间间隔不能设定过长。由于人眼视觉暂留作用，物体在快速运动消失后，人眼仍能继续保留其影像0.1-0.4秒左右，因此计算机的刷新率越高，图像闪烁和抖动视觉感越弱，刷新率在24帧/秒以上就达到图像连贯人眼无察觉。因此，还可以设定每隔10帧图片检测一次，这样既能使得多特征融合识别程序的资源得到最大化利用，又不会大量重复识别同一对象导致系统负担。
进一步地，作为图1的具体实现，本发明实施例提供了一种多特征融合的身份识别装置，如图4所示，所述装置包括：获取单元21、人脸识别单元22、身高识别单元23、衣着识别单元24、融合单元25和反馈单元26。
所述获取单元21，可以用于获取带有待识别对象多个身份识别特征的图像；
所述人脸识别单元22，可以用于利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；
所述身高识别单元23，可以用于利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；
所述衣着识别单元24，可以用于定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；
所述融合单元25，可以用于根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；
所述反馈单元26，可以用于若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
所述人脸识别单元22，包括：
检测模块221，可以用于通过建立的多目标人脸检测器，对所述图像进行特征点配准，得到带有特征点标记的人脸图像；
识别模块222，可以用于利用预先训练的深度残差网络对所述人脸图像进行处理和识别，并输出人脸特征向量；
确定模块223，可以用于将对所述人脸特征向量与预先录入的人脸特征向量进行处理得到的余弦相似度数据确定为所述人脸相似度数据。
所述身高识别单元23，包括：
第一提取模块231，可以用于根据所述图像提取待识别对象的轮廓特征数据；
第一处理模块232，可以用于利用对所述轮廓特征数据与预设参照物特征数据进行处理得到的高度比例系数，以及所述身高相似度算法，得到身高相似度数据。
所述第一提取模块231具体可以用于对所述图像进行处理得到由点集合组成的待识别对象外轮廓，通过循环遍历算法比较所述点集合中各点的纵坐标，将得到的最大纵坐标与最小纵坐标之差作为所述待识别对象的轮廓特征数据。
对于本发明实施例，所述装置还包括：
处理单元27，可以用于对所述图像进行二值处理，得到所述待识别对象的黑白图像，并对所述黑白图像进行降噪处理。
所述衣着识别单元24，包括：
定位模块241，可以用于根据所述人脸图像，以及预设的人脸区域与衣着区域的比例关系，对所述衣着区域进行定位；
第二提取模块242，可以用于基于hsv空间提取所述衣着区域的颜色直方图数据；
第二处理模块243，可以用于根据所述颜色直方图数据以及巴氏距离度量算法，得到衣着相似度数据。
所述融合单元25，包括：
权重模块251，可以用于利用主成分分析法及所述图像，得到所述各身份识别特征的影响权重系数；
评分模块252，可以用于将所述各身份识别特征的相似度数据与对应的影响权重系数之积作为所述各身份识别特征的相似度评分；
融合模块253，可以用于将所述各身份识别特征的相似度评分之和作为所述多特征融合的总相似度数据。
所述反馈单元26具体还可以用于将所述总相似度数据与预先设定的身份识别数据阈值进行对比，若所述总相似度数据不超过预先设定的身份识别数据阈值，则反馈识别失败信息。
需要说明的是，本发明实施例提供的一种多特征融合的身份识别装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种存储介质，所述存储介质中存储有至少一可执行指令，所述执行指令使处理器执行以下步骤：获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
基于上述如图1所示方法和如图4所示装置的实施例，本发明实施例还提供了一种计算机设备，如图5所示，处理器(processor)31、通信接口(communicationsinterface)32、存储器(memory)33、以及通信总线34。其中：处理器31、通信接口32、以及存储器33通过通信总线34完成相互间的通信。通信接口34，用于与其它设备比如用户端或其它服务器等的网元通信。处理器31，用于执行程序，具体可以执行上述多特征融合的身份识别方法实施例中的相关步骤。具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。处理器31可能是中央处理器cpu，或者是特定集成电路asic(applicationspecificintegratedcircuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
终端包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。存储器33，用于存放程序。存储器33可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。程序具体可以用于使得处理器31执行以下操作：获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。
通过本发明的技术方案，能够获取带有待识别对象多个身份识别特征的图像；利用对所述图像识别得到的人脸特征数据以及预设的人脸相似度算法，得到人脸相似度数据；利用根据所述图像提取的身高特征数据以及预设的身高相似度算法，得到身高相似度数据；定位所述图像中的衣着区域，并利用在所述衣着区域获取的衣着特征数据以及预设的衣着相似度算法，得到衣着相似度数据；根据得到的各身份识别特征的相似度数据以及预设的多特征融合相似度算法，得到多特征融合的总相似度数据；若所述总相似度数据超过预设的身份识别数据阈值，则反馈识别成功信息。从而能够通过将人脸识别、身高识别以及衣着识别等多个特征融合进行身份识别，从而提高远距离、多角度情况下的身份识别效率和准确性。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(dsp)来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
- 还没有人留言评论。精彩留言会获得点赞！