[发明专利]一种基于步态与人脸融合的身份识别方法及装置

说明书

技术领域

本发明涉及生物特征识别技术领域，具体涉及一种基于步态与人脸融合的身份识别方法及装置。

背景技术

生物特征识别技术是利用人体生物特征进行身份识别的一种技术。这些生物特征包括：指纹、掌纹、虹膜、人脸等等，已经广泛应用安防、银行、海关边检、物业管理等各种安全领域中，提高了识别的准确率又大大降低了人力和物力，越来越受到社会各界的青睐。

人脸识别是一种非接触式生物特征识别，不需要人的行为配合，特别适用于远距离的身份识别，可以用于智能视频监控系统。目前的人脸识别技术，当目标人物侧对摄像头的时候，摄像头只能采集到目标人物的侧脸，识别准确率会大幅度下降。另一方面，根据人走路的姿势来识别目标人物身份(也叫步态识别)的技术，具有非接触远距离和不容易伪装等特点，近年来得到了越来越多的研究人员关注。但是当目标人物正对摄像头的时候，由于不能很好地得到目标人物的姿势，识别效果大打折扣。

发明内容

本发明针对现有技术中的技术问题，提供一种基于步态与人脸融合的身份识别方法及装置，通过结合步态识别和人脸识别，对两种识别技术进行互补，以提高人物身份识别的准确性。

本发明解决上述技术问题的技术方案如下：

一方面，本发明提供一种基于步态与人脸融合的身份识别方法，包括以下步骤：

S1，采集视频流，对视频流进行行人检测和跟踪，得到人体帧图像序列，同时对人体帧图像进行人脸检测，获取人体帧图像序列对应的人脸图像序列；

S2，对所述人体帧图像序列中的人体图像进行步态特征提取，并获取质量评价参数，根据质量评价参数计算所述步态特征的质量评价分数；

S3，对人脸图像序列中的各图像进行人脸特征提取，并获取人脸图像的质量评价参数，根据质量评价参数计算人脸特征的质量评价分数，将质量评价分数最高的人脸图像作为待识别人脸图像；

S4，把步态特征和人脸特征按照各自的质量评分进行加权，输入SVM分类器进行身份识别。

本发明的有益效果是：通过计算步态特征和人脸特征的质量评价分数，并把步态特征和人脸特征按照各自的质量评分进行加权，综合了人脸识别和步态识别的优势，两种识别技术的互补，增加了识别系统的鲁棒性，提高人物身份识别的准确性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，步骤S1中所述的对视频流进行行人检测，采用Faster-RCNN的深度学习方法来实现，同时采用相关滤波，对检测到行人进行跟踪；所述人脸检测采用SSD单次检测器抓取人脸。

采用上述进一步方案的有益效果是：Faster-RCNN的深度学习方法比常见的采用边缘特征、形状特征、统计特征等更加准确，在处理地速度上也有了很大提升，可以实现实时处理的需求。同时采用相关滤波，对检测到行人进行跟踪，以提升处理的实时性。SSD(Single Shot MultiBox Detector)是采用单个深度神经网络模型实现目标检测和识别的方法。综合了Faster R-CNN的锚和YOLO单个神经网络检测思路，可以实现高准确率实时检测。

优选地，所述步骤S2包括以下子步骤：

S21，对人体帧图像序列中的人体图像进行大小归一化处理；

S22，将处理后的人体帧图像序列输入姿势识别网络，提取每一张人体图像的姿势特征，生成人体帧图像序列对应的姿势特征序列，同时提取人体帧图像的质量评价参数，并根据质量评价参数计算人体帧图像的质量评价分数；

S23，将所述姿势特征序列输入步态识别网络，得到用于描述人体步态的特征向量。

优选地，所述步骤S3，包括以下子步骤：

S31，对人脸图像序列中的每一张人脸图像采用SSD单次检测器进行人脸检测，提取每张人脸的3D Landmark，同时获取人脸图像的质量评价参数，并根据人脸图像的质量评价参数计算每张人脸图像的质量评价分数；

S32，选取人脸图像序列中质量评价分数最高的人脸图像作为待识别人脸图像，并根据所述待识别人脸图像的3D Landmark进行三维建模，投射到正面人脸；

S33，通过人脸特征神经网络获取待识别人脸图像的特征向量。

进一步，所述质量评价参数包括人体图像或人脸图像的大小、角度和清晰度。

另一方面，本发明提供一种基于步态与人脸融合的身份识别装置，包括：

视频采集及预处理模块，用于采集视频流，对视频流进行行人检测和跟踪，得到人体帧图像序列，同时对人体帧图像进行人脸检测，获取人体帧图像序列对应的人脸图像序列；