CN106384087A - 一种基于多层网络人体特征的身份识别方法 - Google Patents

Abstract

本发明属于生物特征识别领域，提供了一种基于多层网络人体特征的身份识别方法。本发明为了解决现有身份识别方法的局限性，如人脸识别必须有完整清晰的面部图像，无法根据侧影或背影进行身份识别；采用多个子网对人体的多角度特征进行提取学习，然后将多种特征的识别结果按照一定的权值结合对被识别对象进行最终身份确认，实现了人体多角度的身份识别，同时扩大了身份识别的可应用场景。

Description

一种基于多层网络人体特征的身份识别方法

技术领域

本发明属于生物特征识别领域，具体涉及一种基于多层网络人体特征的身份识别方法。

背景技术

生物识别技术是指利用人体生物特征进行身份认证的一种技术。通过计算机与光学、声学、生物传感器和生物统计学原理等技术手段密切结合，利用人体固有的生理特性和行为特征来进行个人身份的确认。

目前主流的身份识别方法有指纹识别、人脸识别和虹膜识别等。其中指纹识别和虹膜识别等方法需要被识别对象主动接受识别，智能性较低。人脸识别目前虽可主动捕捉被识别对象进行识别，但是受光线、遮挡以及人的姿态等因素影响较大。现有身份识别方法的局限性，如人脸识别必须有完整清晰的面部图像，无法根据侧影或背影进行识别。基于多层网络提取人体特征的身份识别方法可有效克服人脸识别等方法在一些特殊条件下使用的局限性。

发明内容

本发明为了克服现有技术中存在的问题，提出了一种基于多层网络人体特征的身份识别方法。本方法特点在于：采用多个子网对人体的多角度特征进行提取学习，然后将多种特征的识别结果按照一定的权值结合对被识别对象进行最终身份确认，实现了人体多角度的身份识别，同时扩大了身份识别的可应用场景。

本发明的技术方案为，一种基于多层网络人体特征的身份识别方法，包括如下步骤：

步骤1，通过视频监控获取人物目标的多角度图像，构建多层网络的数据集。选取n个角度作为网络的输入，每个角度建立一个子集，共n个子集，每个子集将图像数量按照3:1:1的比例划分为训练集、验证集和测试集。需要识别的对象数量为m，每个识别对象具有唯一的身份id，id＝1，2，…，m。

步骤2，利用卷积神经网络的n个子网对数据集的n个子集分别进行学习，得到n个角度人体特征的独立模型，计算各角度人体特征的权值，建立最终的身份识别模型。

步骤2.1，将n个子集的训练集和验证集输入卷积神经网络的n个子网进行学习，提取待识别目标的多角度特征，得到n个角度人体特征的独立模型；

步骤2.2，将n个子集的测试集分别输入对应的子网，计算其识别的准确度，记为a₁,a₂,…,a_n，进行归一化处理，得到各角度人体特征的权值ω₁,ω₂,…,ω_n，并得到最终的网络模型。

${\mathrm{\ω}}_i=\frac{a_i}{a_1+a_2+...+a_n}\×100\%$

步骤3，利用模型进行目标识别，并根据识别结果提示确认身份或报警。

步骤3.1，通过n个子网对待识别目标的n个角度图像分别进行识别，计算概率值并记为其中id为身份编号(id＝1,2,…,m)，n为子网编号(n＝1,2,…,n)，按照概率值由大到小，取出识别概率的前j位，j≤m。

步骤3.2，n个角度人体特征的权值为ω₁,ω₂,…,ω_n，识别目标为某人的概率为只计算识别结果的前j位，以减少计算量，如果某人没有出现在第k个子网识别结果的前j位中，则将P_id值最大的作为最终的识别结果，并根据结果进行身份确认或报警。

本发明有益效果为，本发明采用多个子网对人体多角度的特征进行学习，将多种特征按照一定的权值结合对被识别对象进行身份确认，实现了人体多角度的身份识别，相比单独的人脸识别，多角度身份识别能较好地解决非人脸的人体身份识别等相关问题，尤其是当无法获取清晰的面部图像时，本方法能够取得更好的识别效果。而且，子网数量越多，能够提取的人体特征越多，识别的准确度也就越高。

附图说明

图1为本发明基于多层网络人体特征的身份识别方法的流程图。

具体实施方式

下面结合具体实施例和附图，对本发明的技术方案进行详细描述。

本实施例以三层子网为例，选取角度为正面、侧面和背面，构建三个子网，具体实施包括以下步骤：

步骤1，从视频监控中获取待识别对象的正面、侧面和背面图像，建立三个子集，正面子集、侧面子集和背面子集，每个子集图像总数的3/5作为训练集，1/5作为验证集，1/5作为测试集，并进行标注，使每个识别对象具有唯一的身份id(id＝1，2，…，m)。

步骤2，构建卷积神经网络，正面子网、侧面子网和背面子网。

步骤2.1，将正面图像子集输入正面子网进行学习，得到人体正面特征的模型。

步骤2.2，将侧面图像子集输入侧面子网进行学习，得到人体侧面特征的模型。

步骤2.3，将背面图像子集输入背面子网进行学习，得到人体背面特征的模型。

步骤2.4，计算正面子网权值ω₁、侧面子网权值ω₂和背面子网权值ω₃，得到最终网络模型。

步骤3，身份识别

步骤3.1，通过正面识别子网对目标的正面图像进行识别，计算概率值并记为id为身份编号，取出识别概率最大的前五位。

步骤3.2，通过侧面识别子网对目标的侧面图像进行识别，计算概率值并记为id为身份编号，取出识别概率最大的前五位。

步骤3.3，通过背面识别子网对目标的背面图像进行识别，计算概率值并记为id为身份编号，取出识别概率最大的前五位。

步骤3.4，识别目标为某人的概率这里只计算识别结果的前五位，如果某人没有出现在第k个子网识别结果的前五位中，则将概率值P_id最大的id作为最后的身份识别结果，并根据结果进行身份确认或报警。

Claims (2)

1.一种基于多层网络人体特征的身份识别方法，其特征在于，包括如下步骤：

步骤1，通过视频监控获取人物目标的多角度图像，构建多层网络的数据集；选取n个角度作为网络的输入，每个角度建立一个子集，共n个子集，每个子集将图像数量按照3:1:1的比例划分为训练集、验证集和测试集；需要识别的对象数量为m，每个识别对象具有唯一的身份id(id＝1，2，…，m)；

步骤2，利用卷积神经网络的n个子网对数据集的n个子集分别进行学习，得到n个角度人体特征的独立模型，计算各角度人体特征的权值，建立最终的身份识别模型；

步骤2.1，将n个子集的训练集和验证集输入卷积神经网络的n个子网进行学习，提取待识别目标的多角度特征，得到n个角度人体特征的独立模型；

步骤2.2，将n个子集的测试集分别输入对应的子网，计算其识别的准确度，记为a₁,a₂,…,a_n，进行归一化处理，得到各角度人体特征的权值ω₁,ω₂,…,ω_n，并得到最终的网络模型；

${\mathrm{\ω}}_i=\frac{{\mathrm{\α}}_i}{{\mathrm{\α}}_1+{\mathrm{\α}}_2+...+{\mathrm{\α}}_n}\×100\%$

步骤3，利用模型进行目标识别，并根据识别结果提示确认身份或报警。

2.根据权利要求1所述的一种基于多层网络人体特征的身份识别方法，其特征在于，所述步骤3是按如下步骤实施：

步骤3.1，通过n个子网对待识别目标的n个角度图像分别进行识别，计算概率值并记为其中id为身份编号(id＝1,2,…,m)，n为子网编号(n＝1,2,…,n)，按照概率值由大到小，取出识别概率的前j位，j≤m；

步骤3.2，n个角度人体特征的权值为ω₁,ω₂,…,ω_n，识别目标为某人的概率为只计算识别结果的前j位，以减少计算量，如果某人没有出现在第k个子网识别结果的前j位中，则将P_id值最大的作为最终的识别结果，并根据结果进行身份确认或报警。