[发明专利]一种多视图身份识别方法

说明书

本发明公开了一种多视图身份识别方法，包括以下步骤：对输入图片采用一体化的检测网络进行人脸、人体、上半身检测，检测网络基于anchor‑free的检测框架，共享同一热力图，同时回归人脸坐标、人体坐标、上半身坐标；依据坐标信息，对人脸、人体、上半身分别进行预处理，先检测人脸的关键点，并根据关键点进行人脸对齐，再将人体和上半身通过缩放至统一大小实现上半身对齐和人体对齐，形成新的输入图片；将新的输入图片切成固定大小的小块并进行序列化，生成人脸视图、上半身视图和人体视图，采用多模态融合特征提取网络完成特征提取，多模态融合特征提取网络的输出作为特征，最后进行特征比对完成身份识别。

技术领域

本发明涉及视图身份识别技术领域，特别涉及一种多视图身份识别方法。

背景技术

基于视觉的身份识别方法具有非接触、非强制、无意识、速度快、精度高等优点，在安防监控、智慧零售、考勤打卡等领域都有应用需求。深度学习的发展以及算力的提升使得此项技术的实用性极大提升，目前已经得到了广泛的应用，在一些相对受控的环境，目前的技术已基本能满足需求。

基于视觉的身份识别方法典型的方法有人脸识别和行人重识别。人脸识别在计算机视觉诞生之初就开始有研究，目前已有近60年的历史，技术已经发展得较成熟，但是角度、光照、遮挡、模糊等影响人脸质量的干扰仍是挑战。行人重识别诞生于多相机目标跟踪，后因其重要性被作为一个独立的任务以解决跨相机的身份识别问题，随着精度的提高，目前已经能作为人脸识别的一个补充，比如在拍不到人脸的场景。

人脸识别方法和行人重识别方法的流程大致相同，典型的流程包括：1、检测，定位出图片中人脸或者人体的位置；2、预处理，对检测的人脸或者人体做对齐处理，人脸因其相对刚性的结构，可以通过关键点做对齐，人体一般做粗对齐，比如把图片缩放到同一大小；3、特征提取，对对齐后的人脸或者人体提取能代表其身份信息的特征，一般要求特征对光照、角度、遮挡、年龄变化具有一定的鲁棒性，目前典型的方案是采用训练好的深度卷积神经网络提取特征；4、特征比对，计算提取出的特征与已经注册的底库特征的相似度，相似度最高的作为其身份。

基于上述现有内容，一般基于视觉的身份识别方法存在四处不足：

单一模态精度不足，单一的人脸识别和单一的行人重识别技术都有其局限性，人脸识别精度受光照、角度、遮挡、模糊等干扰，在底库规模大情况精度也会受影响，更极端情况下可能拍不到人脸。行人重识别比较依赖衣服款式及颜色，所以跨天识别能力弱，此外光照、角度、遮挡、模糊对人体亦是挑战；

简单融合人脸识别和行人重识别的方法计算复杂度高，人脸识别方法和行人重识别都有其独立的流程，简单融合会导致两个流程需要分别计算，存在冗余；

以质量判断识别所采用的模态的方法无法实现跨模态的识别，比如有的场景只拍到了人体，但是注册的底库只有比较清晰的人脸可用，这就会导致无法识别；

人脸与人体特征层融合的方法未能充分利用人脸和人体的关联信息，比如同一人其人脸和人体的肤色是一致的，长的胖的人脸会略圆。二者之间的关联信息可以为对方提供补充信息，特征层的融合会忽略此信息。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种多视图身份识别方法。

本发明的上述技术目的是通过以下技术方案得以实现的：

一种多视图身份识别方法，包括以下步骤：

对输入图片采用一体化的检测网络进行人脸、人体、上半身检测，检测网络基于anchor-free的检测框架，共享同一热力图，同时回归人脸坐标、人体坐标、上半身坐标；

依据坐标信息，对人脸、人体、上半身分别进行预处理，先检测人脸的关键点，并根据关键点进行人脸对齐，再将人体和上半身通过缩放至统一大小实现上半身对齐和人体对齐，形成新的输入图片；