[发明专利]一种基于注意力机制的多源异构数据身份识别方法

说明书

本发明公开了一种基于注意力机制的多源异构数据身份识别方法，涉及设备领域，技术方案为，在行人行进路线上安装多个人脸摄像头，抓拍人脸图片，同时记录抓拍时间；通过搭建好的人脸识别系统识别人脸图片返回相似度数据；从而得到IDs相似度向量；利用大量的标签数据通过交叉熵损失函数离线训练模型；从而实现了身份识别。本发明的有益效果是：本发明利用多个人脸摄像头抓拍点抓拍人脸图片，克服受限于单个摄像头抓拍人脸图片的非配合场景，识别准确率不高的难题，此方法方式更加友好，更具有快捷性、有效性；利用外界的天气数据、时间截点、周围建筑数据，模拟人脸图片抓拍场景的外界影响因素，能够尽可能还原真实场景的人脸相似度。

技术领域

本发明涉及身份识别技术领域，特别涉及一种基于注意力机制的多源异构数据身份识别方法。

背景技术

目前身份识别方法日益成熟，多侧重于对生物特征(例如人脸、指纹、虹膜、声纹)进行学习处理，从而判断识别对象的身份；或者对识别对象的动态特征(例如走路的姿态、移动轨迹)，通过学习对比相似度，从而判断识别对象的身份。这些方法都存在一个问题，就是要求原数据的干扰信息尽可能的少，否则无法得到准确识别结果。因此，找到一种高效实用的身份识别方法，将会再公共安全领域有广泛实际的应用，极大提高安防力量的工作效率。

本发明采用全连接神经网络的深度学习算法框架，通过搭建基于注意力机制全连接神经网络，对多源异构数据进行处理，训练一个模型。利用训练好的模型实现身份识别的目的。

发明内容

本发明的目的是提供一种新颖的身份识别方法。传统的身份识别方法主要通过生物特征(人脸、指纹、虹膜、声纹)以及行人姿态、轨迹等数据进行身份判断。但是生物特征是要配合场景，这种方式是不友好的；通过行人姿态、轨迹来识别身份准确率不高。为了解决上述的问题，我们提供一种更加友好型的身份识别方法，同时提高身份识别准确率。

其技术方案为，本发明的多源异构数据指的是通过多地点的人脸抓拍设备抓拍人脸图片，利用人脸识别系统识别人脸图片返回人脸数据库中的相似度排名前10名的身份编号IDs以及每个身份编号ID的相似度Sim；同时从中国气象局的官网上收集天气的数据记录；抓拍地点的周围建筑信息。本发明的原理是利用天气的数据、周围建筑、人脸图片时间截点、人脸识别系统返回的IDs以及每个ID相似度Sim的数据。

具体的实现过程如下：

步骤S1：在行人行进路线上安装多个人脸摄像头，抓拍人脸图片，同时记录抓拍时间和地点；

步骤S2：利用搭建好的人脸识别系统识别人脸图片，通过比对黑名单库的人脸图片，返回与黑名单库里人脸图片比对相似度最高的10个黑名单库里的编号ID，以及比对相似度结果数据；

步骤S3：在行人行进轨迹上，时间间隔ΔABΔT，表示两组IDs的时间间隔不超过最大时间阈值和空间轨迹的条件规则，对比不同的抓拍地点抓拍到的人脸图片返回的IDs结果，把IDs编号吻合度最高一组IDs组合；

步骤S4：利用外部数据(天气、时间截点)生成一个嵌入向量v1，与IDs相似度生成的向量串联成一个新的向量v2，将新的向量v2输入local注意力机制模型，给每个ID相似度重新分配权重，得到新的IDs相似度向量v3；

步骤S5：将多个人脸摄像头抓拍点抓拍人脸图片的时间截点、天气数据、及抓拍点的周边建筑数据，通过one-hot编码成外界因素向量v4；将向量v4输入空间注意力机制，给每个抓拍点重新分配权重(α1，α2，α3)；注意力机制处理后的IDs相似度向量v3和每个点的分配权重(α1，α2，α3)对IDs相似度向量v3重新再分配，得到组合的再分配IDs相似度向量组合(v4,v5,v6)；

步骤S6：将IDs相似度向量组合(v4,v5,v6)输入融合模块Fusion IDs，输出为多点IDs相似度融合向量v7；