[发明专利]一种高速行人识别方法及装置

说明书

本发明提供一种能够快速识别行人身份并捕捉该行人全身像图的高速行人身份识别方法及装置，其特征在于，高速行人身份识别方法包括以下步骤：步骤S1，获取摄像头的识别号以及各个摄像头的道路连通关系；步骤S2，识别出目标行人的人脸图像以及全身图像作为目标行人信息进行存储；步骤S3，获取与识别出目标行人的摄像头具有对应的道路连通关系的摄像头作为待识别摄像头，步骤S4，从待识别摄像头中获取图像帧；步骤S5，将图像帧输入行人检测算法模型；步骤S6，对图像帧进行目标行人识别；步骤S7，根据行人识别结果获取待匹配人脸图像并进行人脸识别；步骤S8，将目标行人的全身图像与相应的识别号对应存入输出缓存队列；步骤S9，重复步骤S3至步骤S7。

技术领域

本发明属于深度学习领域，涉及一种行人识别方法，特别涉及一种高速行人识别方法。

背景技术

行人检测与身份识别技术在当今互联网与社会生活中发挥着重要的作用，因此具有许多的应用场景及商业价值。

行人检测是将目标检测算法模型中的识别目标设置为行人。目标检测从应用角度分为两种：一种是generalobjectdetection，即以一种能够模拟人的眼睛和直觉的统一框架来检测物体类别；另一种是detectionapplications，即在特定应用情景下的检测(如行人检测、人脸检测、文本检测等)。

目标检测在过去的研究过程中主要经历两个历史时期：传统目标检测和基于深度学习的目标检测。传统目标检测是基于手工制作的特征，例如VJ检测器，HOG检测器；而在深度学习时代，目标检测可以被分为两种流派：即Two-stagedetection：“coarse-to-fine”process 和One-stagedetection:“completeinonestep”。

对于二阶检测器Two-stage，首先使用候选框生成器生成稀疏的候选框集，然后使用深度卷积网络编码生成候选框的特征向量，最后使用区域分类器预测候选框区域类别。以R-CNN算法为代表的 twostage的方法由于RPN结构的存在，虽然检测精度越来越高，但是其速度却遇到瓶颈，比较难于满足部分场景实时性的需求。因此出现一种基于回归方法的onestage的目标检测算法，不同于twostage 的方法的分步训练共享检测结果，onestage的方法能实现完整单次训练共享特征，且在保证一定准确率的前提下，速度得到极大提升。

身份识别中的人脸识别技术更是近些年来，模式识别和图像处理中的热门研究主题之一。一个人脸识别系统一般包括以下几个方面：

(1)人脸检测(Detection)：即从各种不同的场景中检测出人脸的存在并确定其位置。(2)人脸规范化(Normalization)：校正人脸在尺度、光照和旋转等方面的变化。或者叫做alignment，人脸对齐，人脸校准(3)人脸校验(Faceverification)：采取某种方式表示检测出人脸和数据库中的已知人脸，确认两张脸是否是同一个人。(4)人脸识别(Recognition)：将待识别的人脸与数据库中的已知人脸比较，得出人脸的身份。

而随着场景越来越复杂，算法对精度的要求越来越高，算法之间的结合和配合也越来越多，为了给行人重识别等算法提供行人图像数据进行识别，需要先行算法来预处理视频数据，将原始的视频处理成可供后续算法使用的数据能够加快整个流程的运行时间。

发明内容

为解决上述问题，提供一种快速识别行人身份并捕捉该行人全身像图的高速行人身份识别方法及装置，本发明采用了如下技术方案：