+

CN112749605A - 身份识别方法、系统和设备 - Google Patents

身份识别方法、系统和设备 Download PDF

Info

Publication number
CN112749605A
CN112749605A CN202010120379.5A CN202010120379A CN112749605A CN 112749605 A CN112749605 A CN 112749605A CN 202010120379 A CN202010120379 A CN 202010120379A CN 112749605 A CN112749605 A CN 112749605A
Authority
CN
China
Prior art keywords
probability
human body
face
human
likelihood
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
Application number
CN202010120379.5A
Other languages
English (en)
Inventor
蔺越檀
蒋仕彪
陈超
王文全
沈鹏程
李绍欣
李季檩
黄飞跃
吴永坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010120379.5A priority Critical patent/CN112749605A/zh
Publication of CN112749605A publication Critical patent/CN112749605A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了身份识别方法、系统和设备，身份识别方法包括：获取人脸图像和对应的人体图像；根据人脸图像得到人脸特征，根据人体图像得到人体特征；根据人脸特征确定人脸似然或人脸同人概率；根据人体特征确定人体似然或人体同人概率；根据人脸似然和所述人体同人概率，或者根据人体似然和所述人脸同人概率，得到联合同人概率；根据联合同人概率获取识别结果。本申请将人脸信息和人体信息进行融合，通过概率融合的方式将人脸特征对应的同人概率作用于人体特征对应的似然或将人体特征对应的同人概率作用于人脸特征对应的似然，且通过联合同人概率代替现有阈值过滤方案中相似度比较方式，识别的性能和稳定性更高。本申请可广泛应用于人工智能领域。

Description

身份识别方法、系统和设备
技术领域
本发明涉及人工智能技术领域，尤其是一种身份识别方法、系统和设备。
背景技术
随着计算机视觉与生物识别技术的发展，在越来越多的应用场景中，开始采用人脸识别技术来对目标对象进行身份识别，以提升身份识别结果的准确性。例如，在火车站、机场安检、安防监控、刷脸支付等应用场景，人脸识别技术就发挥了重要的作用。人脸识别技术的优势是精确，人脸身份信息不随时间变化；缺陷是对图像采集设备(如摄像机)要求较高，覆盖范围小，不能识别背对、侧对图像采集设备的人员，对人脸被遮挡或者图像模糊的情况也无法识别。
人体识别技术是安防监控、智慧零售等应用场景中的一项重要技术。以安防监控为例，以行人重识别(Person ReID)为人体识别代表的技术在行人跟踪、跨摄像头行人检索中被广泛应用，也可以作为人脸识别失效时的有效替代技术。人体识别的优势在于覆盖面较广，对图像采集设备(如摄像机)要求较低，只要出现在图像采集设备视野里即可识别；缺点是没有能力处理相似着装的人员，人体身份信息具有时效性，跨天或更换衣服后即失效。
为了发挥人脸和人体识别技术的各自优势，相互辅助，会融合这两种技术来进行身份识别，目前业内主要的融合方案包括特征结合方案和阈值过滤方案。特征结合方案先将人脸特征和人体特征通过拼接等方式进行特征结合，再根据结合后的特征计算相似度和判定身份；然而该方案没有考虑人脸特征和人体特征的交互，会导致当人脸特征和人体特征这两个特征中的一个特征占据主导地位时另外一个特征对识别结果基本不起作用(即另外一个特征在一定程度上被淹没，对识别结果的贡献小)，影响了识别的性能和稳定性。阈值过滤方案先分别计算人脸和人体的相似度，再根据人脸和人体的相似度结合预设阈值确定身份判定结果：对于人体的相似度小于预设阈值的样本，其对应的人脸的相似度将被置为极小值(即不考虑计算出的人脸的相似度)；虽然这种方式考虑了人脸特征和人体特征的交互，但其同样在人体的相似度小于预设阈值时存在人脸的相似度对识别结果不起作用的问题(因其直接将人脸的相似度置为极小值)，也影响了识别的性能和稳定性。
发明内容
有鉴于此，本申请提供一种身份识别方法、系统和设备，以通过概率融合的方式将人脸特征与人体特征进行融合，提升识别的性能和稳定性。
根据本申请实施例的第一方面，一种身份识别方法，包括以下步骤：
获取人脸图像和对应的人体图像；
根据所述人脸图像得到人脸特征，根据所述人体图像得到人体特征；
根据所述人脸特征确定人脸似然或人脸同人概率，所述人脸似然为所述人脸图像与数据库内人脸图像组成人脸图像对的相似度似然，所述人脸同人概率是所述人脸图像对为同一人的概率；
根据所述人体特征确定人体似然或人体同人概率，所述人体似然为所述人体图像与数据库内人体图像组成人体图像对的相似度似然，所述人体同人概率是所述人体图像对为同一人的概率；
根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率；
根据所述联合同人概率获取识别结果。
根据本申请实施例的第二方面，一种身份识别系统，包括以下模块:
图像获取模块，用于获取人脸图像和对应的人体图像；
特征获取模块，用于根据所述人脸图像得到人脸特征，根据所述人体图像得到人体特征；
第一确定模块，用于根据所述人脸特征确定人脸似然或人脸同人概率，所述人脸似然为所述人脸图像与数据库内人脸图像组成的人脸图像对的相似度似然，所述人脸同人概率是所述人脸图像对为同一人的概率；
第二确定模块，用于根据所述人体特征确定人体似然或人体同人概率，所述人体似然为所述人体图像与数据库内人体图像组成的人体图像对的相似度似然，所述人体同人概率是所述人体图像对为同一人的概率；
联合概率获取模块，用于根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率；
识别结果获取模块，用于根据所述联合同人概率获取识别结果。
根据本申请实施例的第三方面，一种设备，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如第一方面所述的身份识别方法。
根据本申请实施例的第四方面，一种计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如第一方面所述的身份识别方法。
本申请实施例所提供的技术方案获取人脸图像和对应的人体图像后，通过特征提取得到人脸特征和人体特征，再根据人脸特征和人体特征确定人脸的似然或人脸同人概率以及人体的似然或人体同人概率，进而得到联合同人概率，最后根据联合同人概率得到识别结果，有效地利用了人脸识别技术和人体识别技术的优势，将人脸信息和人体信息进行融合，通过概率融合的方式将人脸特征对应的同人概率作用于人体特征对应的似然或将人体特征对应的同人概率作用于人脸特征对应的似然，考虑了人体特征与人脸特征的交互，且通过联合同人概率代替现有阈值过滤方案中相似度比较方式，识别的性能和稳定性更高。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图进行说明。
图1是本申请实施例提供的一种身份识别方法的实施环境；
图2是本申请实施例提供的一种身份识别方法的流程图；
图3是本申请实施例身份识别方法的步骤S203中确定人脸似然的流程图；
图4是本申请实施例身份识别方法的步骤S2032根据人脸图像对的相似度确定人脸似然的流程图；
图5是本申请实施例身份识别方法的步骤S203中确定人脸同人概率的流程图；
图6是本申请实施例身份识别方法的步骤S204中确定人体似然的流程图；
图7是本申请实施例身份识别方法的步骤S2042根据人体图像对的相似度确定人体似然的流程图；
图8是本申请实施例身份识别方法的步骤S204中确定人体同人概率的流程图；
图9为本申请实施例身份识别方法应用于人脸识别场景中的实现流程图；
图10为本申请实施例提供的一种身份识别系统的结构示意图；
图11为本申请实施例提供的一种设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请各实施例主要涉及人工智能中的计算机视觉技术。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
计算机视觉(Computer Vision,CV)：是一门研究如何使机器“看”的科学，更进一步地说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
图1是本申请实施例提供的一种身份识别方法的实施环境。如图1所示，实施环境主要包括用户100和计算机设备101。计算机设备101可以为终端，也可以为服务器。计算机设备101可以是智能手机、平板电脑、笔记本电脑、数字助理、智能可穿戴设备、车载终端等类型的实体设备，也可以包括运行于实体设备中的软体，例如具有身份识别功能的应用程序等。计算机设备101可以具有图像采集功能和身份识别功能，还可以具有身份识别和接收其他图像采集设备(如相机、摄像头等)采集的图像的功能。在一种可能实现方式中，如图1所示，计算机设备101可以采集用户100的人脸图像和对应的人体图像，然后分别提取人脸特征和人体特征，再根据人脸特征和人体特征采用概率融合方式得到的人脸与人体的联合同人概率，最后根据该联合同人概率进行身份判定与识别，从而得到识别结果。该身份识别方法可以应用于各种场景，如门禁、考勤、支付、安防监控、智慧社区、智慧零售等场景。
图2是本申请实施例提供的一种身份识别方法的流程图，该方法应用于图1所示的计算机设备101中。参见图2，该方法可以包括以下步骤：
S201、获取人脸图像和对应的人体图像。
具体地，可以通过计算机设备101对摄像头等图像采集设备捕捉的视频进行采集，得到各帧视频帧图像数据。
获取到各帧视频帧图像后，在一种可能实现方式中，计算机设备101可分别对各帧视频帧图像进行人脸检测(可通过预训练的人脸检测模型来实现)，若检测到人脸，则在该帧图像中选取更大范围(可以预先设定，如比人脸图像区域尺寸大20％、30％、40％等)的人体区域(如头肩区域等)作为对应的人体图像(可选地，人脸图像包覆于人体图像内)，若检测不到人脸，则跳过该帧图像，最终可输出人脸图像和对应的人体图像。此种实现方式不需要同时进行人脸检测和人体检测，可以节省检测所需占用的内存或耗费的计算开销，降低了检测的成本。
获取到各帧视频帧图像后，在另外一种可能实现方式中，计算机设备101可分别对各帧视频帧图像同时进行人脸检测(可通过预训练的人脸检测模型来实现)和人体检测(可通过预训练的人体检测模型来实现)，再根据人脸检测和人体检测的结果得到同时包含人脸和人体的视频帧图像作为检测出的目标图像，最后将该目标图像的人脸和对应的人体区域作为人脸图像和对应的人体图像。此种实现方式能直接根据人脸检测和人体检测的结果快速得到人脸图像和对应的人体图像，节省了检测时间，提升了检测效率。
S202、根据人脸图像得到人脸特征，根据人体图像得到人体特征。
具体地，本申请实施例的计算机设备可以通过特征提取算法或神经网络模型从步骤S201得到的人脸图像提取出人脸特征(如提取出眼、脸、口、鼻等人脸的特征)。在一种可能实现方式中，人脸图像的类型不同时，或身份识别需求不同时，计算机设备所采用的特征提取算法可以不同。
例如，特征提取算法可以包括尺度不变特征变换(Scale-invariantfeaturetransform，SIFT)、快速鲁棒特征(SpeedUp Robust Features，SURF)、二进制鲁棒不变可伸缩关键点(Binary Robust Invariant Scalable Keypoints，BRISK)、定向快速转换描述子(Oriented FAST and Rotated BRIEF，ORB)算法。又例如，对人脸图像的眼睛进行特征提取时，可以采用第一特征提取算法，对人脸图像的鼻子进行特征提取时，可以采用第二特征提取算法。
而通过神经网络模型来从人脸图像提取人脸特征时，可以预先根据给定的样本采用神经网络算法来训练出对应的特征提取模型从而进行后续的特征提取。
同理，本申请实施例的计算机设备可以通过特征提取算法或神经网络模型从步骤S201得到的人体图像提取出人体特征(如头部、肩部等人体的特征)。
在一种可能的实施方式中，对每个人脸图像或人体图像进行特征提取后，可以得到一个多维度的特征向量，该人脸特征或人体特征在特征空间中可以表现为一个多维度的点。
S203、根据人脸特征确定人脸似然或人脸同人概率，其中，人脸似然为提取得到的人脸图像与数据库内人脸图像组成人脸图像对的相似度似然，人脸同人概率是提取得到的人脸图像与数据库内人脸图像组成人脸图像对为同一人的概率。
结合背景技术的内容可知，无论是特征结合方案还是阈值结合方案都是通过相似度的方式来判定身份的，但人脸相似度是用人脸特征计算出来的，而人体相似度是用人体特征计算出来的，即使是相同的人脸相似度与人体相似度，其物理含义也是不同的(换言之，它们的量纲是不同的)，而且人脸相似度与人体相似度的取值范围是不同的，故直接将这两个相似度进行融合会带来一定问题(如存在人脸和人体这两个特征中的一个特征在一定程度上被淹没的问题)，而将相似度转化为概率后，则可以直接进行融合或比较等操作。为此，本申请实施例在提取到人脸特征后，可以根据该特征来确定提取得到的人脸图像与数据库内人脸图像所组成的人脸图像对为同一人的概率，以便于后续步骤确定人脸和人体的联合同人概率。
具体地，数据库可为人脸数据库，用于存储不同的人脸图像，如预先通过摄像头等设备采集的人脸图像、从网络搜索获取的人脸图像、由用户上传或导入的人脸图像。本申请实施例不对人脸数据库所采用的数据库类型进行具体限定，任何合适的数据库类型都可以用于构建人脸数据库等，例如，MySQL数据库、SQL数据库、oracle数据库等。
而根据统计学和概率论的相关知识，先验概率与似然的乘积为后验概率，在给定先验概率的前提下，要得到后验概率，还需要得到似然，故本申请实施例可以根据人脸特征确定提取得到的人脸图像与数据库内人脸图像所组成的人脸图像对的相似度似然。
先验概率：是指还没有观察到结果的情况下，某种假设自身的概率。以“瓜熟蒂落”为例，“瓜熟”是假设(即因)，“蒂落”是结果(即果)，但是“瓜熟”并不一定会“蒂落”(就是那么顽强)，而“蒂落”了也并不一定“瓜熟”(被某人掰下来了)，那么这里的先验概率就是瓜熟自己的固有概率。
后验概率：是指在观察到结果的情况下，某种假设的条件概率。以上述的“瓜熟蒂落”为例，所谓后验概率就是观察到了“蒂落”然后推算是“瓜熟”导致的条件概率；
在统计学中，似然函数likelihood function，通常简写为似然likelihood。似然是指由某种假设而导致结果的可能性。也就是说似然描述的是在结果已知的情况下，某种假设发生的可能性。同样以“瓜熟蒂落”为例，似然就是由“瓜熟”而导致“蒂落”的可能性。在机器学习的任务中，所谓的“因”实际上是参数。因为机器学习的任务，是把参数当成“因”，把训练数据当成“果”，通过训练数据来学习参数。而参数并不是事件，不符合概率的严格定义，因此将某一参数产生实际数据情况的可能性称之为“似然”。
相似度似然：是指基于相似度(参数)而得到的似然(函数)。相似度似然通常描述的是两个数据或数据集在某个相似度下产生实际数据情况(即结果)的可能性。例如，在进行人脸匹配识别时，相似度似然可以是描述某个相似度下人脸图像对(由待匹配的人脸图像与人脸数据库中人脸图像所组成)为同一人(一般可为相似度大于阈值时的结果)的可能性是多少或者是描述人脸图像对为非同一人(一般可为相似度小于阈值时的结果)的可能性是多少。在人脸匹配识别的一种可能的实施方式中，相似度似然可以是人脸图像对为同一人的概率密度或人脸图像对为非同一人的概率密度中的至少一个。
S204、根据人体特征确定人体似然或人体同人概率，其中，人体似然为提取得到的人体图像与数据库内人体图像组成人体图像对的相似度似然，人体同人概率是提取得到的人体图像与数据库内人体图像组成人体图像对为同一人的概率。
与步骤S203的实现过程类似，本申请实施例在提取到人体特征后，可以根据该特征来确定提取得到的人体图像与数据库内人体图像所组成的人体图像对为同一人的概率，以便于后续步骤确定人脸和人体的联合同人概率。具体地，数据库可为人体数据库，用于存储不同的人体(如头部、肩部等)图像，如预先通过摄像头等设备采集的人体图像、从网络搜索获取的人体图像、由用户上传或导入的人体图像等。本申请实施例不对人体数据库所采用的数据库类型进行具体限定，任何合适的数据库类型都可以用于构建人体数据库，例如，MySQL数据库、SQL数据库、oracle数据库等。
而根据统计学和概率论的相关理论，先验概率与似然的乘积为后验概率，在给定先验概率的前提下，要得到后验概率，还需要得到似然，故本申请实施例可以根据人体特征确定提取得到的人体图像与数据库内人体图像所组成的人体图像对的相似度似然。
S205、根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率。
从背景技术描述的内容可以得知，单一的人脸识别技术或人体识别技术都存在着缺陷,故本申请实施例综合利用人脸特征和人体特征来进行身份识别。又因直接采用背景技术中的相似度融合方式会存在人脸和人体这两个特征中的一个特征在一定程度上被淹没等问题，本申请实施例利用了概率论的相关理论，通过概率融合的方式将人脸特征对应的同人概率作用于人体特征对应的似然或将人体特征对应的同人概率作用于人脸特征对应的似然，得到人脸和人体联合后的联合同人概率，考虑了人体特征与人脸特征的交互，且通过联合同人概率代替现有阈值过滤方案中相似度比较方式来进行身份判定，能有效解决一个特征在一定程度上被淹没等问题，提升了身份识别的性能和稳定性；同时，该联合同人概率也充分发挥了人脸识别和人脸识别技术各自的优势。
在一种可能的实现方式中，可以将步骤S204得到的人体同人概率作为先验概率，将步骤S203得到的人脸似然作为似然，利用条件概率的相关理论计算出联合同人概率(即后验概率)，该联合同人概率反映了在满足人体图像对(由提取得到的人体图像与数据库中人体图像组成)为同一人的前提下，人脸图像对(由提取得到的人脸图像与数据库中人脸图像组成)为同一人的可能性大小。此种方式可适用于人脸识别的各种应用场景(如支付、考勤、安检、安防监控等场景)中，利用人体信息作为辅助，提升了人脸识别的性能和稳定性，在人脸被遮挡的情况下或者在光照较差、监控摄像头分辨率低等情况下仍能准确识别出人脸图像的身份。
在另一种可能的实现方式中，可以将步骤S203得到的人脸同人概率作为先验概率，将步骤S204得到的人体似然作为似然，利用条件概率的相关理论计算出联合同人概率(即后验概率)，该联合同人概率反映了在满足人脸图像对(由提取得到的人脸图像与数据库中人脸图像组成)为同一人的前提下，人体图像对(由提取得到的人体图像与数据库中人体图像组成)为同一人的可能性大小。此种方式可适用于人体识别的各种应用场景(如安防监控、智慧零售等场景)中，利用人脸信息作为辅助，提升了人体识别的性能和稳定性，在获取到相似着装的人体图像时或在超过人体身份信息时效性等情况下仍能准确识别出人体图像的身份。
S206、根据联合同人概率获取识别结果。
数据库中的人脸图像或人体图像不止一个，为了获取最终的识别结果，可按照概率最大的原则从数据库中找出联合同人概率取最大值时对应的人脸图像或人体图像作为识别结果。
与步骤S205所描述的两种可能实现方式相对应，步骤S206也可以有两种实现方式：在一种可能的实现方式中，可从数据库中找出联合同人概率取最大值时对应的人脸图像作为识别结果，此种方式适用于人脸识别且以人体信息为辅助的场景，如支付、考勤、安检、安防监控等场景；在另一种可能的实现方式中，可从数据库中找出联合同人概率取最大值时对应的人体图像作为识别结果，此种方式适用于人体识别且以人脸信息为辅助的场景，如安防监控、智慧零售等场景。
本申请实施例身份识别方法的步骤S203进一步包括步骤S2031-S2035，其中步骤S2031-S2032是确定人脸似然的步骤，如图3所示。
S2031、根据人脸特征确定人脸图像与数据库内人脸图像组成人脸图像对的相似度。
具体地，通过特征提取得到(待识别或待查询的)人脸图像的人脸特征(简称第一人脸特征)后，本申请实施例可结合数据库内人脸图像的人脸特征(简称第二人脸特征)确定这两个人脸图像所组成的人脸图像对的相似度。在一种可能的实施方式中，可根据第一人脸特征的特征向量以及第二人脸特征的特征向量计算该人脸图像对的相似度。本申请实施例不对相似度的具体计算方式进行具体限定，任何合适的计算方式都可以用于计算相似度，例如，可以是计算这两个人脸特征或特征向量的余弦相似度、汉明距离、马氏距离、切比雪夫距离、皮尔逊相关系数等方式。
S2032、根据该人脸图像对的相似度确定人脸似然。
本申请实施例在得到该人脸图像对的相似度后，可以通过将相似度转换为似然(如概率密度等)来解决现有技术中直接根据相似度来进行身份判定而导致的一个特征在一定程度上被淹没的问题。
在一种可能的实现方式中，人脸似然包括该人脸图像对为同一人的概率密度和该人脸图像对为非同一人的概率密度，如图4所示，此时步骤S2032可以通过步骤S20321-S20324来实现：
S20321、获取人脸特征对应的相似度阈值作为人脸相似度阈值。
具体地，相似度阈值用于判定不同图像是否相似。例如，假设相似度阈值为0.5，若两幅图像的相似度为0.6，则判定这两幅图像相似。
误识率：False Accept Rate(简称FAR)，也叫认假率，是指实际上该识别为匹配失败(或不通过)的识别为匹配成功(或通过)的个体总数占理论上识别为匹配失败(或不通过)的个体总数的比例。例如，由于人脸识别算法的原因，把实际上该识别为不通过的人脸识别为通过的个体总数为10，而理论上需识别个体总数为1000，理论上识别为通过的个体总数为200，理论上识别为不通过的个体总数为800，则误识率＝10÷800＝1.25％。
召回率：True Positive Rate(简称TPR)，是指把实际上该识别为匹配成功(或通过)的识别为匹配成功(或通过)的个体总数占理论上需识别个体总数的比例。例如，在人脸识别算法中，把实际上该识别为通过的人脸识别为通过的个体总数为100，理论上需识别个体总数为1000，则召回率＝100÷1000＝10％。
相似度阈值、误识率和召回率是关联的。相似度阈值、误识率和召回率这三者中任一个的值确定后，其余两个的值也随之确定。在计算机视觉或图像处理领域，可以通过误识率表来方便用户查询不同误识率下的相似度阈值，其中误识率表提供了100个不同的误识率(取值从99％到10-4)。在一种可能的实现方式中，可利用误识率表中的100个误识率来计算出对应的相似度阈值和召回率，后续可利用上述计算结果来快速确定对应的概率密度函数。
获取到人脸特征对应的相似度后，可利用上述计算结果来得到100个相似度阈值作为不同的人脸相似度阈值。
S20322、获取相邻两个人脸相似度阈值对应的误识率，并根据这两个误识率的差值以及相邻两个人脸相似度阈值的差值，得到该人脸图像对为非同一人的概率密度函数。
结合上述误识率的定义，可将给定人脸相似度阈值t时的误识率FAR分别作为该人脸图像对为非同一人的累计密度cF(t)。
在一种可能的实现方式中，可利用相邻阈值近似求导的方式，得到该人脸图像对为非同一人的概率密度函数，具体计算公式如下：
Figure BDA0002392776910000111
其中，fF(t)为给定人脸相似度阈值t时该人脸图像对为非同一人的概率密度函数，Δ为相邻两个人脸相似度阈值的差值，cF(t+Δ)和cF(t-Δ)分别为与cF(t)相邻的两个人脸相似度阈值对应的该人脸图像对为非同一人的累计密度。
S20323、获取相邻两个人脸相似度阈值对应的召回率，并根据这两个召回率的差值以及相邻两个人脸相似度阈值的差值，得到该人脸图像对为同一人的概率密度函数。
结合上述召回率的定义，可将给定人脸相似度阈值t时的召回率TPR作为该人脸图像对为同一人的累计密度cT(t)。
在一种可能的实现方式中，可利用相邻阈值近似求导的方式，得到该人脸图像对为同一人的概率密度函数，具体计算公式如下：
Figure BDA0002392776910000121
其中，fT(t)为给定人脸相似度阈值t时该人脸图像对为同一人的概率密度函数，Δ为相邻两个人脸相似度阈值的差值，cT(t+Δ)和cT(t-Δ)分别为与cT(t)相邻的两个人脸相似度阈值对应的该人脸图像对为同一人的累计密度。
S20324、以该人脸图像对的相似度作为给定的相似度，根据该人脸图像对为非同一人的概率密度函数和该人脸图像对为同一人的概率密度函数，得到该人脸图像对为非同一人的概率密度和该人脸图像对为同一人的概率密度。
通过相邻阈值近似求导方法得到该人脸图像对为非同一人的概率密度函数和该人脸图像对为同一人的概率密度函数后，根据概率论的相关理论，可以通过插值(如多项式插值、最邻近插值等)的方式得到对应的概率密度。
在一种可能的实施方式中，可通过二次插值的方式得到该人脸图像对为非同一人的概率密度和该人脸图像对为同一人的概率密度。采用二次插值的方式来得到概率密度，具有速度快，简单的优点。
在一些实施例中，如图5所示，本申请实施例身份识别方法的步骤S203通过以下步骤S2033-S2035确定人脸同人概率。
S2033、根据人脸特征确定人脸图像与数据库内人脸图像组成人脸图像对的相似度；
S2034、根据该人脸图像对的相似度确定人脸似然。
本申请实施例的步骤S2033和步骤S2034的实现过程与前述步骤S2031和步骤S2032的实现过程相同，在此不再重复描述。
S2035、根据人脸似然以及该人脸图像对为同一人的先验概率得到人脸同人概率。
在获取到人脸似然(如该人脸图像对为非同一人的概率密度、该人脸图像对为同一人的概率密度等)后，可根据先验概率和似然采用条件概率等方式计算出后验概率(即人脸同人概率)。在计算时，人脸图像对为同一人的先验概率可以预先设定或给定。
在一种可能的实施方式中，步骤S2035可根据该人脸图像对为同一人的先验概率和步骤S2034得到的人脸似然，采用贝叶斯定理计算得到人脸同人概率。
具体地，对给定人脸图像对的相似度s时，采用贝叶斯定理可得到人脸图像对为同一人事件A的概率为：
Figure BDA0002392776910000131
其中，
Figure BDA0002392776910000132
表示人脸图像对为非同一人事件，p(A)为人脸图像对为同一人事件的先验概率，
Figure BDA0002392776910000133
为人脸图像对为非同一人事件的先验概率，p(s|A)为给定人脸图像对为同一人事件时相似度为s的概率，即人脸图像对为同一人的概率密度fT(s)，同理
Figure BDA0002392776910000134
为人脸图像对为非同一人的概率密度fF(s)。
故对给定人脸图像对的相似度s下的同一人和非同一人概率密度fT1(s)和fF1(s)，以及人脸图像对为同一人的先验概率p，利用贝叶斯定理得到人脸相似度s对应的同一人概率p1(s)：
Figure BDA0002392776910000135
本申请实施例采用机器学习中常见的贝叶斯定理来确定后验概率，具有实现简单、通用性好和适用性广的优点。
本申请实施例身份识别方法的步骤S204进一步包括步骤S2041-S2045，其中步骤S2041-S2042用于确定人体似然，如图6所示。
S2041、根据人体特征确定人体图像与数据库内人体图像组成人体图像对的相似度。
具体地，通过特征提取得到(待识别或待查询的)人体图像的人体特征(简称第一人体特征)后，本申请实施例可结合数据库内人体图像的人体特征(简称第二人体特征)确定这两个人体图像所组成的人体图像对的相似度。在一种可能的实施方式中，可根据第一人体特征的特征向量以及第二人体特征的特征向量计算该人体图像对的相似度。本申请实施例不对相似度的具体计算方式进行具体限定，相似度的具体计算方式例如可以是计算这两个人体特征或特征向量的余弦相似度、汉明距离、马氏距离、切比雪夫距离、皮尔逊相关系数等。
S2042、根据该人体图像对的相似度确定人体似然。
本申请实施例在得到该人体图像对的相似度后，可以通过将相似度转换为似然(如概率密度等)来解决背景技术中直接根据相似度来进行身份判定而导致的一个特征在一定程度上被淹没等问题。
在一种可能的实现方式中，人体似然包括该人体图像对为同一人的概率密度和该人体图像对为非同一人的概率密度，如图7所示，此时步骤S2042可以通过步骤S20421-S20424来实现：
S20421、获取人体特征对应的相似度阈值作为人体相似度阈值；
具体地，相似度阈值用于判定不同图像是否相似。例如，假设相似度阈值为0.5，若两幅图像的相似度为0.6，则判定这两幅图像相似。
相似度阈值、误识率和召回率是关联的。相似度阈值、误识率和召回率这三者中任一个的值确定后，其余两个的值也随之确定。在计算机视觉或图像处理领域，可以通过误识率表来方便用户查询不同误识率下的相似度阈值，其中误识率表提供了100个不同的误识率(取值从99％到10-4)。在一种可能的实现方式中，可利用误识率表中的100个误识率来计算出对应的相似度阈值和召回率，后续可利用上述计算结果来快速确定对应的概率密度函数。
获取到人体特征对应的相似度后，可利用上述计算结果来得到100个相似度阈值来作为不同的人体相似度阈值。
S20422、获取相邻两个人体相似度阈值对应的误识率，并根据这两个误识率的差值以及相邻两个人体相似度阈值的差值，得到该人体图像对为非同一人的概率密度函数；
结合上述误识率的定义，可将给定人体相似度阈值t时的误识率FAR分别作为该人体图像对为非同一人的累计密度cF(t)。
在一种可能的实现方式中，可利用相邻阈值近似求导的方式，得到该人体图像对为非同一人的概率密度函数，具体计算公式如下：
Figure BDA0002392776910000141
其中，fF(t)分别为给定人体相似度阈值t时该人体图像对为非同一人的概率密度函数，Δ为相邻两个人体相似度阈值的差值，cF(t+Δ)和CF(t-Δ)分别为与cF(t)相邻的两个人体相似度阈值对应的该人体图像对为非同一人的累计密度。
S20423、获取相邻两个人体相似度阈值对应的召回率，并根据这两个召回率的差值以及相邻两个人体相似度阈值的差值，得到该人体图像对为同一人的概率密度函数；
结合上述召回率的定义，可将给定人体相似度阈值t时的召回率TPR作为该人体图像对为同一人的累计密度cT(t)。
在一种可能的实现方式中，可利用相邻阈值近似求导的方式，得到该人体图像对为同一人的概率密度函数，具体计算公式如下：
Figure BDA0002392776910000151
其中，fT(t)为给定人体相似度阈值t时该人体图像对为同一人的概率密度函数，Δ为相邻两个人体相似度阈值的差值，cT(t+Δ)和CT(t-Δ)分别为与CT(t)相邻的两个人体相似度阈值对应的该人体图像对为同一人的累计密度。
S20424、以该人体图像对的相似度作为给定的相似度，根据该人体图像对为非同一人的概率密度函数和该人体图像对为同一人的概率密度函数，得到该人体图像对为非同一人的概率密度和该人体图像对为同一人的概率密度。
通过相邻阈值近似求导方法得到该人体图像对为非同一人的概率密度函数和该人体图像对为同一人的概率密度函数后，根据概率论的相关理论，可以通过插值(如多项式插值、最邻近插值等)的方式得到对应的概率密度。
在一种可能的实施方式中，可通过二次插值的方式得到该人体图像对为非同一人的概率密度和该人体图像对为同一人的概率密度。采用二次插值的方式来得到概率密度，具有速度快，简单的优点。
在一些实施例中，如图8所示，本申请实施例身份识别方法的步骤S204通过以下步骤S2043-S2045确定人体同人概率。
S2043、根据人体特征确定人体图像与数据库内人体图像组成人体图像对的相似度；
S2044、根据该人体图像对的相似度确定人体似然；
本申请实施例的步骤S2043和步骤S2044的实现过程与前述步骤S2041和步骤S2042的实现过程相同，在此不再重复描述。
S2045、根据人体似然以及该人体图像对为同一人的先验概率得到人体同人概率。
在获取到人体似然(如该人体图像对为非同一人的概率密度、该人体图像对为同一人的概率密度等)后，可根据先验概率和似然采用条件概率等方式计算出后验概率(即人体同人概率)。在计算时，人体图像对为同一人的先验概率可以预先设定或给定。
在一种可能的实施方式中，步骤S2045可根据该人体图像对为同一人的先验概率和步骤S2044得到的人体似然，采用贝叶斯定理计算得到人体同人概率。
具体地，对给定人体图像对的相似度s时，采用贝叶斯定理可得到人体图像对为同一人事件A的概率为：
Figure BDA0002392776910000161
其中，
Figure BDA0002392776910000162
表示人体图像对为非同一人事件，p(A)为人体图像对为同一人事件的先验概率，
Figure BDA0002392776910000163
为人体图像对为非同一人事件的先验概率，p(s|A)为给定人体图像对为同一人事件时相似度为s的概率，即人体图像对为同一人的概率密度fT(s)，同理
Figure BDA0002392776910000164
为人体图像对为非同一人的概率密度fF(s)。
故对给定人体图像对的相似度s下的同一人和非同一人概率密度fT2(s)和fF3(s)，以及人体图像对为同一人的先验概率p，利用贝叶斯定理得到人体相似度s对应的同一人概率p2(s)：
Figure BDA0002392776910000165
本申请实施例采用机器学习中常见的贝叶斯定理来确定后验概率，具有实现简单、通用性好和适用性广的优点。
在一些实施例中，本申请实施例身份识别方法的步骤S205联合同人概率的获得方式包括以下两种方式中的任一种：
第一种方式：以步骤S204得到的人体同人概率为先验概率，根据步骤S203得到的人脸似然和步骤S204得到的人体同人概率采用贝叶斯定理得到联合同人概率，具体计算公式如下：
Figure BDA0002392776910000166
其中，p3(s)为联合同人概率，p2为人体同人概率，s为人脸图像对的相似度，fT1(s)和fF1(s)分别为给定s时的人脸图像对为同一人概率密度和非同一人密度。此种方式可适用于人脸识别的各种应用场景(如支付、考勤、安检、安防监控等场景)中，利用人体信息作为辅助，提升人脸识别的性能和稳定性。
第二种方式：以步骤S203得到的人脸同人概率为先验概率，根据步骤S204得到的人体似然和步骤S203得到的人脸同人概率采用贝叶斯定理得到联合同人概率，具体计算公式如下：
Figure BDA0002392776910000171
其中，p3(s)为联合同人概率，p1为人脸同人概率，s为人体图像对的相似度，fT2(s)和fF2(s)分别为给定s时的人体图像对为同一人概率密度和非同一人密度。此种方式可适用于人体识别的各种应用场景(如安防监控、智慧零售等场景)中，利用人脸信息作为辅助，提升人体识别的性能和稳定性。
由上述两种方式的联合同人概率p3(s)的计算公式可知，由于采用了贝叶斯定理进行概率的融合，无论是人脸特征还是人体特征，其对联合同人概率具有同等的贡献(即两种方式的计算结果相同)。此种融合方式通过条件概率的方式进行概率融合，使得根据人脸特征计算的同人概率与根据人体特征计算的人体似然或根据人体特征计算的同人概率与根据人脸特征计算的人脸似然建立了关联，避免了背景技术中特征结合方案没有考虑人脸特征和人体特征的交互的问题，提升了识别的性能和稳定性；同时，此种融合方式通过贝叶斯定理进行概率融合，使用时根据特征提取的结果实时获取人脸相似度或人体相似度作为给定的相似度，即可将该相似度通过贝叶斯定理转换为联合同人概率，没有设定阈值的需要，与背景技术的阈值过滤方案相比，不会因为直接将人脸或人体的相似度置为极小值而导致人体或人脸的相似度对识别结果不起作用的问题，提升了识别的性能和稳定性，也提升了该方法的通用性。此外，此种融合方式采用了贝叶斯定理进行概率的融合，未引入需要训练的参数，能有效避免因训练数据不足而导致的过拟合问题，融合后得到的联合同人概率也更平滑。
下面以本申请在人脸识别场景中的应用(即以人体同人概率为先验概率)为例，对本申请的身份识别方法的具体实现过程进行说明。
本领域的技术人员可以理解，本申请的身份识别方法同样适用于人体识别场景(即以人脸同人概率为先验概率)中。该方法先对视频采帧，再进行人脸和人体的检测与特征提取，接着使用一种近似求导方法快速计算人脸和人体的概率密度，再利用贝叶斯定理先对人体信息进行人体同人概率计算，并结合人脸的概率密度等似然信息，将人体同人概率和人脸的概率密度等似然信息再次利用贝叶斯定理进行平滑的融合，得到给定人脸和人体的联合同人概率，最后根据该联合同人概率进行身份判定得到识别结果。
如图9所示，该方法具体包括以下步骤：
S901.视频采帧与人脸人体检测：输入摄像头捕捉的视频并进行逐帧采集，得到视频帧图像数据，再对每幅视频帧图像进行人脸检测，若检测到人脸，则选取更大范围的头肩区域或其它人体部位作为对应的人体图像，若检测不到人脸，则跳过该视频帧图像，最终可输出人脸图像和对应的人体图像；
S902.人脸人体特征提取：利用训练好的人体特征提取模型和人脸特征提取模型，分别提取人脸和人体的特征；
S903.人脸人体融合方案：将人脸特征和人体特征这两种特征进行联合概率融合建模，输出联合同人概率。
如图9所示，步骤S903可进一步细分为以下过程：
S9031、计算相似度、累积分布(即累计密度)和概率密度：输入步骤S902得到的人脸特征和人体特征，分别计算图像对(人脸或人体图像对)的相似度(如余弦相似度)；对任何一种特征，利用通用的误识率(False Acceptance Rate,FAR)表(该表给定了100个不同的误识率，从99％到10-4)计算对应的相似度阈值和召回率(True Positive Rate,TPR)。将给定阈值t时TPR和FAR分别作为图像对为同一人和非同一人的累计密度cT(t)和cF(t)；接着，可利用相邻阈值近似求导的方式，分别得到图像对为同一人和非同一人的概率密度函数fT(t)和fF(t)：
Figure BDA0002392776910000181
Figure BDA0002392776910000182
其中，Δ取相邻阈值的差；给定人脸和人体相似度后，可利用二次插值分别计算给定相似度下人脸和人体的概率密度作为人脸似然和人体似然；
S9032、计算人体特征同人概率：首先，利用贝叶斯定理，对给定相似度s时，人体图像对为同一人事件A的概率为：
Figure BDA0002392776910000183
其中，
Figure BDA0002392776910000191
表示人体图像对为非同一人事件，p(A)为人体图像对为同一人事件的先验概率，
Figure BDA0002392776910000192
为人体图像对为非同一人事件的先验概率，p(s|A)为给定人体图像对为同一人事件时相似度为s的概率，即人体图像对为同一人的概率密度fT(s)，同理
Figure BDA0002392776910000193
为人体图像对为非同一人的概率密度fF(s)。
故根据给定人体图像对的相似度s下的同一人和非同一人概率密度fT2(s)和fF2(s)，以及人体图像对为同一人的先验概率p，利用贝叶斯定理得到人体相似度s对应的同一人概率p2(s)：
Figure BDA0002392776910000194
S9033、计算联合同人概率：以人体同人概率p2作为先验概率，利用贝叶斯定理得到人脸人体的联合同人概率：
Figure BDA0002392776910000195
其中，p3(s)为联合同人概率，p2为人体同人概率，s为人脸图像对的相似度，fT1(s)和fF1(s)分别为给定s时的人脸图像对为同一人概率密度和非同一人密度。
S904.身份判定：利用步骤S903得到的联合同人概率，进行身份判定，得到识别结果。
具体的身份判定过程为：对输入的每幅视频帧图像，采用本申请的方法去计算该帧图像分别与数据库中所有人脸/人体图像构成的图像对的联合同人概率，然后从所有联合同人概率中取概率最大的数据库内的人脸作为识别结果。
综上所述，本申请实施例的身份识别方法具有以下优点：
1)该方法结合了人脸和人体识别各自的优势，缓解了两种独立识别方法的不足，有效地提升了识别性能。
2)采用了相邻阈值近似求导和二次插值的方式，能够高效地计算图像对为同一人和非同一人的概率密度。传统的方式通过直接进行采样来估计概率密度，非常耗时，效率低下；而该方法采用了近似梯度求导和二次插值的方式来计算概率密度，十分迅速和高效。
3)该方法通过贝叶斯定理这一更平滑的概率融合方式进行概率融合，将相似度转换为概率，与背景技术的特征结合和阈值过滤方案相比，显著提升了识别的性能和稳定性。
4)适用性广，通用性强。该方法可以应用于刷脸支付、门禁、考勤、安检、安防监控、智慧社区、智慧零售等各种应用场景中。例如，在刷脸支付场景中，使用该方法在捕获人脸图像的同时捕获更大范围的头肩图像区域等人体图像，利用人体更丰富的信息，进一步提升识别准确性，改善使用体验。又如，在智慧社区应用中，利用该方法在行人佩戴墨镜、帽子等遮挡人脸的情况下或者在光照较差、监控摄像头分辨率低等情况下仍能准确识别出用户的身份。再如，在智慧零售解决方案中，该方法改善了在侧脸、过大俯角等情况下的识别能力，与行人重识别技术相互促进。
为了更好地验证本申请的身份识别方法的性能，本申请实施例还进行了仿真测试，仿真测试结果如下：1)在夜间无补光灯场景中采用本申请的方法进行身份识别，top1命中率(即预测出来最大概率的那个分类是正确的概率)提高19.47％，由采用本申请的方法前(即采用传统识别方法)的72％提升为91.47％；2)采用本申请的方法对人员身份进行联合同人概率建模与身份判定，在亿万分之一的误识率下，枪机抓拍的召回率进一步提高3.51％，由采用本申请的方法前(即采用传统识别方法)的92.49％提升为96％。由此可见，本申请的身份识别方法极大地提升了识别的性能和稳定性。
如图10所示，本申请实施例还提供了一种身份识别系统，包括以下模块:
图像获取模块1001，用于获取人脸图像和对应的人体图像；
特征获取模块1002，用于根据人脸图像得到人脸特征，根据人体图像得到人体特征；
第一确定模块1003，用于根据人脸特征确定人脸似然或人脸同人概率，其中，人脸似然为人脸图像与数据库内人脸图像组成的人脸图像对的相似度似然，人脸同人概率是人脸图像与数据库内人脸图像组成的人脸图像对为同一人的概率；
第二确定模块1004，用于根据人体特征确定人体似然或人体同人概率，其中，人体似然为人体图像与数据库内人体图像组成的人体图像对的相似度似然，人体同人概率是人体图像与数据库内人体图像组成的人体图像对为同一人的概率；
联合概率获取模块1005，用于根据人脸似然和人体同人概率得到联合同人概率或者根据人体似然和人脸同人概率得到联合同人概率；
识别结果获取模块1006，用于根据联合同人概率获取识别结果。
图2-8中任一图所示的身份识别方法实施例中的内容均适用于本身份识别系统中，本身份识别系统所具体实现的功能与图2-8中任一图所示的身份识别方法实施例相同，并且达到的有益效果与图2-8中任一图所示的身份识别方法实施例所达到的有益效果也相同。
如图11所示，本申请实施例还提供了一种设备，包括：
至少一个处理器1101；
至少一个存储器1102，用于存储至少一个程序；
当至少一个程序被至少一个处理器1101执行，使得至少一个处理器1101实现如图2-8中任一图所示的身份识别方法。
图2-8中任一图所示的身份识别方法实施例中的内容均适用于本设备实施例中，本设备实施例所具体实现的功能与图2-8中任一图所示的身份识别方法实施例相同，并且达到的有益效果与图2-8中任一图所示的身份识别方法实施例所达到的有益效果也相同。
本申请实施例还提供一种计算机可读存储介质，其上存储有处理器可执行的程序，所述处理器可执行的程序在被处理器执行时用于实现如图2-8中任一图所示的身份识别方法。
图2-8中任一图所示的身份识别方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与图2-8中任一图所示的身份识别方法实施例相同，并且达到的有益效果与图2-8中任一图所示的身份识别方法实施例所达到的有益效果也相同。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本申请实施例作了详细说明，但是本申请不限于上述实施例，在技术领域普通技术人员所具备的知识范围内，还可以在不脱离本申请宗旨的前提下作出各种变化。

Claims (10)

1.一种身份识别方法，其特征在于，包括以下步骤：
获取人脸图像和对应的人体图像；
根据所述人脸图像得到人脸特征，根据所述人体图像得到人体特征；
根据所述人脸特征确定人脸似然或人脸同人概率，所述人脸似然为所述人脸图像与数据库内人脸图像组成人脸图像对的相似度似然，所述人脸同人概率是所述人脸图像对为同一人的概率；
根据所述人体特征确定人体似然或人体同人概率，所述人体似然为所述人体图像与数据库内人体图像组成人体图像对的相似度似然，所述人体同人概率是所述人体图像对为同一人的概率；
根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率；
根据所述联合同人概率获取识别结果。
2.根据权利要求1所述的身份识别方法，其特征在于，所述根据所述人脸特征确定人脸同人概率这一步骤，具体包括以下步骤：
根据所述人脸特征确定所述人脸图像对的相似度；
根据所述人脸图像对的相似度确定人脸似然；
根据所述人脸似然以及所述人脸图像对为同一人的先验概率得到人脸同人概率。
3.根据权利要求2所述的身份识别方法，其特征在于，所述人脸似然包括所述人脸图像对为同一人的概率密度和所述人脸图像对为非同一人的概率密度，所述根据所述人脸图像对的相似度确定人脸似然这一步骤，具体包括以下步骤：
获取所述人脸特征对应的相似度阈值作为人脸相似度阈值；
获取相邻两个所述人脸相似度阈值对应的误识率，并根据两个所述误识率的差值以及相邻两个所述人脸相似度阈值的差值，得到所述人脸图像对为非同一人的概率密度函数；
获取相邻两个所述人脸相似度阈值对应的召回率，并根据两个所述召回率的差值以及相邻两个所述人脸相似度阈值的差值，得到所述人脸图像对为同一人的概率密度函数；
以所述人脸图像对的相似度作为给定的相似度，根据所述人脸图像对为非同一人的概率密度函数和所述人脸图像对为同一人的概率密度函数，得到所述人脸图像对为非同一人的概率密度和所述人脸图像对为同一人的概率密度。
4.根据权利要求2所述的身份识别方法，其特征在于，所述根据所述人脸似然以及所述人脸图像对为同一人的先验概率得到人脸同人概率这一步骤，具体包括以下步骤：
获取所述人脸图像对为同一人的先验概率；
根据所述人脸图像对为同一人的先验概率以及所述人脸似然，采用贝叶斯定理得到人脸同人概率。
5.根据权利要求1所述的身份识别方法，其特征在于，所述根据所述人体特征确定人体同人概率这一步骤，具体包括以下步骤：
根据所述人体特征确定所述人体图像对的相似度；
根据所述人体图像对的相似度确定所述人体似然；
根据所述人体似然以及所述人体图像对为同一人的先验概率得到人体同人概率。
6.根据权利要求5所述的身份识别方法，其特征在于，所述人体似然包括所述人体图像对为同一人的概率密度和所述人体图像对为非同一人的概率密度，所述根据所述人体图像对的相似度确定所述人体似然这一步骤，具体包括以下步骤：
获取所述人体特征对应的相似度阈值作为人体相似度阈值；
获取相邻两个所述人体相似度阈值对应的误识率，并根据两个所述误识率的差值以及相邻两个所述人体相似度阈值的差值，得到所述人体图像对为非同一人的概率密度函数；
获取相邻两个所述人体相似度阈值对应的召回率，并根据两个所述召回率的差值以及相邻两个所述人体相似度阈值的差值，得到所述人体图像对为同一人的概率密度函数；
以所述人体图像对的相似度作为给定的相似度，根据所述人体图像对为非同一人的概率密度函数和所述人体图像对为同一人的概率密度函数，得到所述人体图像对为非同一人的概率密度和所述人体图像对为同一人的概率密度。
7.根据权利要求5所述的身份识别方法，其特征在于，所述根据所述人体似然以及所述人体图像对为同一人的先验概率得到人体同人概率这一步骤，具体包括以下步骤：
获取所述人体图像对为同一人的先验概率；
根据所述人体图像对为同一人的先验概率以及所述人体似然，采用贝叶斯定理得到人体同人概率。
8.根据权利要求1-7任一项所述的身份识别方法，其特征在于，所述根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率这一步骤，具体为：
以所述人体同人概率为先验概率，根据所述人脸似然和所述人体同人概率采用贝叶斯定理得到联合同人概率；
或者，以所述人脸同人概率为先验概率，根据所述人体似然和所述人脸同人概率采用贝叶斯定理得到联合同人概率。
9.一种身份识别系统，其特征在于，包括以下模块:
图像获取模块，用于获取人脸图像和对应的人体图像；
特征获取模块，用于根据所述人脸图像得到人脸特征，根据所述人体图像得到人体特征；
第一确定模块，用于根据所述人脸特征确定人脸似然或人脸同人概率，所述人脸似然为所述人脸图像与数据库内人脸图像组成的人脸图像对的相似度似然，所述人脸同人概率是所述人脸图像对为同一人的概率；
第二确定模块，用于根据所述人体特征确定人体似然或人体同人概率，所述人体似然为所述人体图像与数据库内人体图像组成的人体图像对的相似度似然，所述人体同人概率是所述人体图像对为同一人的概率；
联合概率获取模块，用于根据所述人脸似然和所述人体同人概率得到联合同人概率或者根据所述人体似然和所述人脸同人概率得到联合同人概率；
识别结果获取模块，用于根据所述联合同人概率获取识别结果。
10.一种设备，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-8任一项所述的身份识别方法。
CN202010120379.5A 2020-02-26 2020-02-26 身份识别方法、系统和设备 Pending CN112749605A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010120379.5A CN112749605A (zh) 2020-02-26 2020-02-26 身份识别方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010120379.5A CN112749605A (zh) 2020-02-26 2020-02-26 身份识别方法、系统和设备

Publications (1)

Publication Number Publication Date
CN112749605A true CN112749605A (zh) 2021-05-04

Family

ID=75645168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010120379.5A Pending CN112749605A (zh) 2020-02-26 2020-02-26 身份识别方法、系统和设备

Country Status (1)

Country Link
CN (1) CN112749605A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553965A (zh) * 2021-07-27 2021-10-26 重庆电子工程职业学院 一种结合人脸识别和人体识别的人物身份识别方法
CN113887427A (zh) * 2021-09-30 2022-01-04 联想(北京)有限公司 一种人脸识别方法和装置
CN114154002A (zh) * 2021-10-15 2022-03-08 浙江大华技术股份有限公司 图像检索方法、图像检索系统、电子设备和存储介质
CN115393926A (zh) * 2022-08-05 2022-11-25 中科云谷科技有限公司 用于提高人脸识别精度的方法、装置及服务器
CN116030417A (zh) * 2023-02-13 2023-04-28 四川弘和通讯集团有限公司 一种员工识别方法、装置、设备、介质及产品

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1503194A (zh) * 2002-11-26 2004-06-09 中国科学院计算技术研究所 利用身材信息辅助人脸信息的身份识别方法
CN101763503A (zh) * 2009-12-30 2010-06-30 中国科学院计算技术研究所 一种姿态鲁棒的人脸识别方法
US20100296702A1 (en) * 2009-05-21 2010-11-25 Hu Xuebin Person tracking method, person tracking apparatus, and person tracking program storage medium
CN105654056A (zh) * 2015-12-31 2016-06-08 中国科学院深圳先进技术研究院 人脸识别的方法及装置
CN109256138A (zh) * 2018-08-13 2019-01-22 平安科技（深圳）有限公司 身份验证方法、终端设备及计算机可读存储介质
WO2019062080A1 (zh) * 2017-09-28 2019-04-04 平安科技（深圳）有限公司 身份识别方法、电子装置及计算机可读存储介质
US20190279010A1 (en) * 2018-03-09 2019-09-12 Baidu Online Network Technology (Beijing) Co., Ltd . Method, system and terminal for identity authentication, and computer readable storage medium

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1503194A (zh) * 2002-11-26 2004-06-09 中国科学院计算技术研究所 利用身材信息辅助人脸信息的身份识别方法
US20100296702A1 (en) * 2009-05-21 2010-11-25 Hu Xuebin Person tracking method, person tracking apparatus, and person tracking program storage medium
CN101763503A (zh) * 2009-12-30 2010-06-30 中国科学院计算技术研究所 一种姿态鲁棒的人脸识别方法
CN105654056A (zh) * 2015-12-31 2016-06-08 中国科学院深圳先进技术研究院 人脸识别的方法及装置
WO2019062080A1 (zh) * 2017-09-28 2019-04-04 平安科技（深圳）有限公司 身份识别方法、电子装置及计算机可读存储介质
US20190279010A1 (en) * 2018-03-09 2019-09-12 Baidu Online Network Technology (Beijing) Co., Ltd . Method, system and terminal for identity authentication, and computer readable storage medium
CN109256138A (zh) * 2018-08-13 2019-01-22 平安科技（深圳）有限公司 身份验证方法、终端设备及计算机可读存储介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553965A (zh) * 2021-07-27 2021-10-26 重庆电子工程职业学院 一种结合人脸识别和人体识别的人物身份识别方法
CN113553965B (zh) * 2021-07-27 2023-09-12 重庆电子工程职业学院 一种结合人脸识别和人体识别的人物身份识别方法
CN113887427A (zh) * 2021-09-30 2022-01-04 联想(北京)有限公司 一种人脸识别方法和装置
CN113887427B (zh) * 2021-09-30 2025-09-26 联想(北京)有限公司 一种人脸识别方法和装置
CN114154002A (zh) * 2021-10-15 2022-03-08 浙江大华技术股份有限公司 图像检索方法、图像检索系统、电子设备和存储介质
CN115393926A (zh) * 2022-08-05 2022-11-25 中科云谷科技有限公司 用于提高人脸识别精度的方法、装置及服务器
CN115393926B (zh) * 2022-08-05 2025-10-03 中科云谷科技有限公司 用于提高人脸识别精度的方法、装置及服务器
CN116030417A (zh) * 2023-02-13 2023-04-28 四川弘和通讯集团有限公司 一种员工识别方法、装置、设备、介质及产品

Similar Documents

Publication Publication Date Title
CN110909651B (zh) 视频主体人物的识别方法、装置、设备及可读存储介质
Chen et al. An end-to-end system for unconstrained face verification with deep convolutional neural networks
CN112749605A (zh) 身份识别方法、系统和设备
JP6411510B2 (ja) 無制約の媒体内の顔を識別するシステムおよび方法
Han et al. Face recognition with contrastive convolution
Sheng et al. Siamese denoising autoencoders for joints trajectories reconstruction and robust gait recognition
US20180096196A1 (en) Verifying Identity Based on Facial Dynamics
CN112380512B (zh) 卷积神经网络动态手势认证方法、装置、存储介质及设备
CN114663835B (zh) 一种行人跟踪方法、系统、设备及存储介质
WO2019153175A1 (zh) 基于机器学习的遮挡人脸识别系统、方法及存储介质
CN112613480A (zh) 一种人脸识别方法、系统、电子设备及存储介质
Xia et al. Face occlusion detection using deep convolutional neural networks
CN110390308A (zh) 一种基于时空对抗生成网络的视频行为识别方法
Wu et al. Convolutional LSTM networks for video-based person re-identification
Mokhayeri et al. Video face recognition using siamese networks with block-sparsity matching
CN117975533A (zh) 基于人脸轮廓线的视频身份识别方法及系统
CN113298158A (zh) 数据检测方法、装置、设备及存储介质
CN116266419A (zh) 一种活体检测方法、装置和计算机设备
CN110969101A (zh) 一种基于hog和特征描述子的人脸检测与跟踪方法
Chen et al. Face deduplication in video surveillance
Wu et al. A hierarchical face recognition algorithm based on humanoid nonlinear least-squares computation
CN119274223A (zh) 基于跟踪的聚类人脸识别方法和装置
She et al. Micro-expression recognition based on multiple aggregation networks
CN113762049A (zh) 内容识别方法、装置、存储介质和终端设备
CN107832667A (zh) 一种基于深度学习的人脸识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40044510

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
点击 这是indexloc提供的php浏览器服务，不要输入任何密码和下载