身份识别方法和装置、存储介质及电子设备与流程

1.本发明涉及计算机领域，具体而言，涉及一种身份识别方法和装置、存储介质及电子设备。


背景技术：

2.在当前，如何快速高效地识别一个人的身份，是信息化时代需要解决的一个重要问题。传统的身份识别方法，如利用标志物、标志知识等进行身份识别，存在着标志易遗失、易泄露等无法克服的缺点，难以满足当前对于身份识别的需求。在这一背景下，生物特征识别技术应运而生。步态识别作为一种新兴的生物特征识别技术，可以通过识别人们行走的姿态来进行身份识别，具有非接触、远距离等诸多优点。
3.当前主流的步态身份识别算法大多是使用统计学模型或深度学习模型来对步态轮廓图进行参数学习，在此基础上得到特征提取器，然后利用提取到的步态特征进行特征匹配，进而实现对人物的身份识别。
4.虽然步态轮廓图能够有效地去除衣物、携带物等物品的颜色信息对于步态识别的干扰，但由于衣物、携带物本身轮廓的差异，可能使得步态轮廓图的转换前后，同一个人的轮廓图之间的差异大于不同人的轮廓图之间的差异，这毫无疑问会影响步态识别的准确性。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种身份识别方法和装置、存储介质及电子设备，以至少解决使用单一的步态轮廓图使得步态识别准确性较低进而导致身份识别准确性较低的技术问题。
7.根据本发明实施例的一个方面，提供了一种身份识别方法，包括：对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个上述初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，其中，上述初始图像为上述目标视频中包含有目标对象的视频帧；获取与上述第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，其中，上述第一骨骼图序列中包括与各个上述第一轮廓图分别对应的第一骨骼图，上述第二轮廓图序列中包括与各个上述第一轮廓图分别对应的第二轮廓图，上述第二骨骼图序列中包括与各个上述第一轮廓图分别对应的第二骨骼图；将上述第一轮廓图序列、上述第一骨骼图序列、上述第二轮廓图序列和上述第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，其中，上述步态识别模型为多层卷积神经网络模型；分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的上述第一轮廓向量、上述第一骨骼向量、上述第二轮廓向量和上述第二骨骼向量之间的相似距离；根据上述相似距离确定出目标参考图像序列，并将上述目标参考图像序列对应的身份信息确定为上述目标对象的身份信息。
8.根据本发明实施例的另一方面，还提供了一种身份识别装置，包括：处理单元，用于对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个上述初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，其中，上述初始图像为上述目标视频中包含有目标对象的视频帧；获取单元，用于获取与上述第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，其中，上述第一骨骼图序列中包括与各个上述第一轮廓图分别对应的第一骨骼图，上述第二轮廓图序列中包括与各个上述第一轮廓图分别对应的第二轮廓图，上述第二骨骼图序列中包括与各个上述第一轮廓图分别对应的第二骨骼图；输入单元，用于将上述第一轮廓图序列、上述第一骨骼图序列、上述第二轮廓图序列和上述第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，其中，上述步态识别模型为多层卷积神经网络模型；计算单元，用于分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的上述第一轮廓向量、上述第一骨骼向量、上述第二轮廓向量和上述第二骨骼向量之间的相似距离；确定单元，用于根据上述相似距离确定出目标参考图像序列，并将上述目标参考图像序列对应的身份信息确定为上述目标对象的身份信息。
9.根据本发明实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述身份识别方法。
10.根据本发明实施例的又一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为通过所述计算机程序执行上述的身份识别方法。
11.在本发明实施例中，采用将包含目标对象的视频帧构成初始图像序列，并获取初始图像序列对应的第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，利用步态识别模型获取到各个图像序列对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，并分别计算每组参考图像序列对应的参考向量与第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量的相似度距离，从而确定出目标参考图像序列的方式，通过对初始图像序列进行处理，得到多组对应的图像序列和多个步态特征向量，分别计算各个图像向量与参考向量的相似距离，从而根据多组相似距离确定出初始图像序列对应的目标参考图像序列，达到了综合多组图像序列确定出的多个步态特征向量以根据多组步态特征向量对应的相似度，得到更为准确的步态匹配结果，从而得到更为准确的身份识别信息的目的，从而实现了提高基于步态特征进行身份识别的准确率的技术效果，进而解决了使用单一的步态轮廓图使得步态识别准确性较低进而导致身份识别准确性较低的技术问题。
附图说明
12.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
13.图1是根据本发明实施例的一种可选的身份识别方法的应用环境的示意图；
14.图2是根据本发明实施例的一种可选的身份识别方法的流程示意图；
15.图3是根据本发明实施例的一种可选的身份识别方法的步态识别模型的结构示意
图；
16.图4是根据本发明实施例的一种可选的身份识别方法的流程示意图；
17.图5是根据本发明实施例的一种可选的身份识别方法的流程示意图；
18.图6是根据本发明实施例的一种可选的身份识别方法的流程示意图；
19.图7是根据本发明实施例的一种可选的身份识别方法的流程示意图；
20.图8是根据本发明实施例的一种可选的身份识别方法的流程示意图；
21.图9是根据本发明实施例的一种可选的身份识别方法的流程示意图；
22.图10是根据本发明实施例的一种可选的身份识别装置的结构示意图；
23.图11是根据本发明实施例的一种可选的电子设备的结构示意图。
具体实施方式
24.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.根据本发明实施例的一个方面，提供了一种身份识别方法，可选地，上述身份识别方法可以但不限于应用于如图1所示的环境中。终端设备102通过网络110与服务器122进行数据交互，终端设备102将拍摄得到的目标视频通过网络110发送给服务器112，服务器112基于接收到的目标视频对其中的目标对象进行身份识别，并将身份信息发送给终端设备102。
27.服务器112中运行有处理引擎116，身份识别不限于是通过依次执行s102至s110。得到第一轮廓图序列。对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，初始图像为目标视频中包含有目标对象的视频帧。获取第一骨骼图序列、第二轮廓图序列和第二骨骼图序列。获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列。第一骨骼图序列中包括与各个第一轮廓图分别对应的第一骨骼图，第二轮廓图序列中包括与各个第一轮廓图分别对应的第二轮廓图，第二骨骼图序列中包括与各个第一轮廓图分别对应的第二骨骼图。得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量。将第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，步态识别模型为多层卷积神经网络模型。计算各个参考向量与对应的第一轮廓向量、第一骨骼向量、第二轮
廓向量和第二骨骼向量之间的相似距离。分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离。确定出目标参考图像序列，获取身份信息。根据相似距离确定出目标参考图像序列，并将目标参考图像序列对应的身份信息确定为目标对象的身份信息。
28.可选地，在本实施例中，上述终端设备102可以是配置有目标客户端的终端设备，可以包括但不限于以下至少之一：手机(如android手机、ios手机等)、笔记本电脑、平板电脑、掌上电脑、mid(mobile internet devices，移动互联网设备)、pad、台式电脑、智能电视、智能摄像设备等。目标客户端是具备视频拍摄功能的客户端，不限于是视频客户端、即时通信客户端、浏览器客户端、教育客户端等。上述网络可以包括但不限于：有线网络，无线网络，其中，该有线网络包括：局域网、城域网和广域网，该无线网络包括：蓝牙、wifi及其他实现无线通信的网络。上述服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，或者是云服务器。上述仅是一种示例，本实施例中对此不作任何限定。
29.作为一种可选的实施方式，如图2所示，上述身份识别方法包括：
30.s202，对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个初始图像各自对应的第一轮廓图所构成的第一轮廓图序列。
31.在上述步骤s202中，初始图像为目标视频中包含有目标对象的视频帧。初始图像不限于是将包含有目标对象的视频片段作为目标视频，以帧为单位，对目标视频进行切分得到。
32.可选地，初始图像序列为包含有多张视频帧的图像序列。初始图像序列中的初始图像的排列顺序为时间顺序，是视频帧对应的时间顺序。初始图像序列组合能够还原为目标视频。
33.可选地，第一轮廓图不限于是利用背景减除法，将初始的rgb图像转换为步态轮廓图，在步态轮廓图中，利用黑色像素点标识背景，利用白色像素点标识人体步态轮廓。
34.s204，获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列。
35.在上述步骤s204中，第一骨骼图序列中包括与各个第一轮廓图分别对应的第一骨骼图，第二轮廓图序列中包括与各个第一轮廓图分别对应的第二轮廓图，第二骨骼图序列中包括与各个第一轮廓图分别对应的第二骨骼图。
36.可选地，根据第一轮廓序列得到第一骨骼序列，基于第一轮廓序列得到第二轮廓序列，第二轮廓序列中的每一张第二轮廓图不限于是每一张第一轮廓图的部分图像。基于第一骨骼序列得到第二骨骼序列，第二骨骼图序列中的每一张第二骨骼图不限于是每一张第一骨骼图的部分图像。
37.s206，将第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量。
38.在上述步骤s206中，步态识别模型为多层卷积神经网络模型。步态识别模型的网络模型不限于如图3所示，包括特征提取部分和判别阶段。特征提取部分主要包括多层卷积层，用于从图像序列中提取行目标对象的步态特征信息。判别部分包括全连接层和softmax层，根据提取到的步态特征信息进行判别和分类，得到步态识别对应的向量，并将向量输
出。
39.可选地，针对不同类型的图像序列训练不同的模型参数，利用不同的模型参数组对不同类型的图像序列进行处理，以得到输出的步态特征向量。
40.s208，分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离。
41.可选地，每组参考图像序列对应一个参考对象的图像序列，每组参考图像序列中所包含的参考图像中包含的参考对象为同一参考对象，
42.可选地，不限于是获取每组参考图像序列分别与第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量对应的参考向量，以计算每对向量之间相似距离。
43.s210，根据相似距离确定出目标参考图像序列，并将目标参考图像序列对应的身份信息确定为目标对象的身份信息。
44.可选地，根据第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量分别对应的相似距离分别对参考图像序列进行重新排序，基于多个参考图像序列以从多组参考图像序列中确定出目标参考图像序列，以确定初始图像序列对应的目标对象与目标参考图像对应的目标参考对象为同一对象，从而将目标参考对象的身份信息确定为目标对象的身份信息。
45.可选地，参考图像序列对应的参考对象的身份信息是已知的对象信息，通过初始图像序列的多组图像序列的多个向量分别与参考图像序列进行比对，从而确定出目标参考图像序列，以确定出目标对象的身份信息。
46.作为一种可选的实施方式，在从第一候选图像序列、第二候选图像序列、第三候选图像序列、第四候选图像序列中未确定出目标参考图像序列的情况下，提示目标对象身份识别失败。
47.在本技术实施例中，采用将包含目标对象的视频帧构成初始图像序列，并获取初始图像序列对应的第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，利用步态识别模型获取到各个图像序列对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，并分别计算每组参考图像序列对应的参考向量与第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量的相似度距离，从而确定出目标参考图像序列的方式，通过对初始图像序列进行处理，得到多组对应的图像序列和多个步态特征向量，分别计算各个图像向量与参考向量的相似距离，从而根据多组相似距离确定出初始图像序列对应的目标参考图像序列，达到了综合多组图像序列确定出的多个步态特征向量以根据多组步态特征向量对应的相似度，得到更为准确的步态匹配结果，从而得到更为准确的身份识别信息的目的，从而实现了提高基于步态特征进行身份识别的准确率的技术效果，进而解决了使用单一的步态轮廓图使得步态识别准确性较低进而导致身份识别准确性较低的技术问题。
48.作为一种可选的实施方式，如图4所示，上述获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列包括：
49.s402，利用关节提取模型对初始图像进行关节位置提取，得到关节位置对应的关节坐标；
50.s404，将关节坐标映射到第一轮廓图中，得到第一骨骼图；
51.s406，利用第一骨骼图，构建与初始图像序列对应的第一骨骼图序列。
52.可选地，关节提取模型不限于是对初始图像中的预设关节位置进行提取，并提取到的关节坐标映射在第一轮廓图中。对于人体对象，预设关节位置不限于包括：左眼、右眼、鼻尖、左耳、右耳、左肩、右肩、左肘、右肘、左腕、右腕、左臀、右臀、左膝、右膝、左踝、右踝。对于多个关节位置，提取到关节提取模型不限于输出关节坐标矩阵。关节提取模型不限于于使用姿势估计算法。
53.可选地，将关节坐标映射到第一轮廓图中不限于是将关节坐标矩阵映射到第一轮廓矩阵中。第一轮廓矩阵是在图像大小和特征上与第一轮廓图对应的图像矩阵，将关节坐标映射到第一轮廓矩阵中，能够避免关节坐标在图像表现上因与第一轮廓图上像素点冲突，而无法表现完全的情况出现。
54.可选地，在将关节坐标映射到第一轮廓图中之后，还包括：按照人体骨骼结构将各个关节坐标代表的关节点连接，得到骨骼信息。将包含有骨骼信息的图像作为第一骨骼图。
55.在本技术实施例中，通过关节坐标的提取和映射，得到包含关节和骨骼信息的第一骨骼图，从而得到带有关节和骨骼信息的第一骨骼向量，丰富基于步态确定身份信息的识别方式，从而提高识别准确性。
56.作为一种可选的实施方式，如图5所示，上述获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列包括：
57.s502，对第一轮廓图进行图像分割处理，得到第二轮廓图，并利用第二轮廓图，构建与初始图像序列对应的第二轮廓图序列，其中，第二轮廓图包含第一轮廓图的部分图像；
58.s504，对第一骨骼图进行图像分割处理，得到第二骨骼图，并利用第二骨骼图，构建与初始图像序列对应的第二骨骼图序列，其中，第二骨骼图包含第一骨骼图的部分图像。
59.可选地，对第一轮廓图进行图像分割处理，得到包含人体下半部分的第二轮廓图。对第一骨骼图进行图像分割处理，得到包含人体下半部分的第二骨骼图。人体下半部分是不限于是从左臀和右臀关节点以下的部分。
60.在本技术实施例中，通过第一对轮廓图和第一骨骼图进行分割，得到步态特征较多的下半身部分的第二轮廓图和第二骨骼图，通过较为简单的图像处理方式，得到可以丰富步态特征向量维度的第二轮廓图和第二骨骼图，从而增加可以计算步态特征相似距离的向量数量，实现通过综合多个步态特征相似距离以提高通过步态特征进行身份识别的准确性。
61.作为一种可选的实施方式，如图6所示，上述在分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离之前，方法还包括：
62.s602，获取每组参考图像序列对应的第一参考轮廓图像序列、第一参考骨骼图像序列、第二参考轮廓图像序列、第二参考骨骼图像序列；
63.s604，将第一参考轮廓图像序列、第一参考骨骼图像序列、第二参考轮廓图像序列、第二参考骨骼图像序列分别输入步态识别模型中，得到对应的第一参考轮廓向量、第一参考骨骼向量、第二参考轮廓向量和第二参考骨骼向量。
64.可选地，对每组参考图像序列进行与初始图像序列相同的图像处理，分别得到第一参考轮廓图像序列、第一参考骨骼图像序列、第二参考轮廓图像序列、第二参考骨骼图像
序列。
65.可选地，利用对第一轮廓图序列相同的模型参数，利用步态识别模型对第一参考轮廓图像序列进行处理，得到第一参考轮廓向量。利用对第一骨骼图序列相同的模型参数，利用步态识别模型对第一参考骨骼图像序列进行处理，得到第一参考骨骼向量。利用对第二轮廓图序列相同的模型参数，利用步态识别模型对第二参考轮廓图像序列进行处理，得到第二参考轮廓向量。利用对第二骨骼图序列相同的模型参数，利用步态识别模型对第二参考骨骼图像序列进行处理，得到第二参考骨骼向量。
66.在本技术实施例中，通过对于参考图像序列进行相同方式的图像处理，并同样通过步态识别模型，利用相同的模型参数获取参考图像序列对应的多个参考步态向量，使得参考图像序列和初始图像序列利用相同处理方式和相同参数分别得到对应的多对步态特征向量，保证计算步态相似距离的向量的获取方式相同，从而提高步态相似距离的计算准确度。
67.作为一种可选的实施方式，如图7所示，上述分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离包括：
68.s702，计算第一轮廓向量与第一参考轮廓向量之间的余弦距离，得到第一候选相似距离；
69.s704，计算第一骨骼向量与第一参考骨骼向量之间的余弦距离，得到第二候选相似距离；
70.s706，计算第二轮廓向量与第二参考轮廓向量之间的余弦距离，得到第三相似距离；
71.s708，计算第二骨骼向量与第二参考骨骼向量之间的余弦距离，得到第四相似距离。
72.可选地，计算两个向量之间的余弦向量相似度，基于余弦向量相似度确定余弦距离。以两个向量分别为向量a和向量b为例向量的余弦向量相似度的计算不限于如下公式(1)所示：
[0073][0074]
其中，||a||用于指示a向量的模，||b||用于指示b向量的模，a
i
用于指示a向量中的第i个数值，b
i
用于指示b向量中第i个数值。
[0075]
向量a和向量b的余弦距离的计算不限于如下公式(2)所示：
[0076]
d[ab]＝1
‑
similarity[ab]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0077]
其中，d[ab]用于代表向量a与向量b之间的余弦距离，similarity[ab]用于代表向量a与向量b之间的余弦向量相似度。
[0078]
在本技术实施例中，通过计算余弦相似度确定步态特征向量之间的步态相似距离，依次计算得到四对步态特征向量之间的步态相似距离，通过多组参考图像序列中每组
参考图像序列的步态相似距离，从多组参考图像序列中确定出目标参考图像序列，以获取到初始图像序列中目标对象的身份信息。
[0079]
作为一种可选的实施方式，如图8所示，上述在获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列之后，方法还包括：
[0080]
s802，从第一骨骼图像中提取初始中轴偏角值，利用初始中轴偏角值构建初始图像序列对应的初始偏角向量；
[0081]
s804，从第一参考骨骼图像中提取参考中轴偏角值，利用参考中轴偏角值构建参考图像序列对应的参考偏角向量；
[0082]
s806，计算初始偏角向量与参考偏角向量的余弦距离，得到修正距离。
[0083]
可选地，初始中轴偏角值的提取不限于包括：
[0084]
s1，连接左肩关节点和右肩关节点，取左肩关节点和右肩关节点的连接线段中点为p1；
[0085]
s2，连接左臀关节点和右臀关节点，取左臀关节点和右臀关节点的连接线段中点为p2；
[0086]
s3，连接p1和p2，则线段p1p2为人体对象的中轴线；
[0087]
s4，获取中轴线与图像垂直方向的夹角作为初始中轴线偏角。
[0088]
可选地，按照上述步骤，依次从第一骨骼图像中，确定每一张第一骨骼图像的初始中轴线偏角值，按照第一骨骼图序列中第一骨骼图像的排列顺序，将多个初始中轴线偏角值构建为初始偏角向量。利用同样的方法，获取参考图像序列的参考偏角向量。
[0089]
可选地，计算初始偏角向量和参考偏角向量之间的余弦相似度，从而得到修正距离。
[0090]
在本技术实施例中，将左右肩关节线段中点和左右臀关节线段中点连线作为中轴线，从而获取中轴偏角向量计算偏角距离作为修正距离，对得到的步态相似距离进行修正，以使得最终的步态相似距离更加准确。
[0091]
作为一种可选的实施方式，上述分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离包括：在得到第一候选相似距离的情况下，利用修正距离对第一候选相似距离进行修正，得到第一相似距离；在得到第二候选相似距离的情况下，利用修正距离对第二候选相似距离进行修正，得到第二相似距离。
[0092]
可选地，利用修正距离对步态相似距离进行修正，不限于是利用修正距离对第一候选相似距离和第二候选相似距离进行修正。具体的修正方式不限于是利用修正距离与第一候选相似距离的乘积作为第一相似距离，利用修正距离与第二候选相似距离的乘积作为第二相似距离。
[0093]
在本技术实施例中，利用修正距离对包含完整步态特征计算得到的步态相似距离进行修正，使得得到的第一相似距离和第二相似距离更加准确的代表完整轮廓图序列之间的步态相似距离和完整骨骼图序列之间的步态相似距离。
[0094]
作为一种可选的实施方式，如图9所示，上述根据相似距离确定出目标参考图像序列包括：
[0095]
s902，按照第一相似距离的数值由小到大的顺序，对多组参考图像序列中的参考
图像序列进行排序，得到第一候选图像序列；
[0096]
s904，按照第二相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第二候选图像序列；
[0097]
s906，按照第三相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第三候选图像序列；
[0098]
s908，按照第四相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第四候选图像序列；
[0099]
s910，根据第一候选图像序列、第二候选图像序列、第三候选图像序列和第四候选图像序列确定出目标参考图像序列。
[0100]
可选地，第一候选图像序列、第二候选图像序列、第三候选图像序列和第四候选图像序列是对多组参考图像序列按照不同排序标准形成的图像序列，这里是对多组参考图像序列中的每组参考图像在多组参考图像序列中的位置进行调整，对于每组参考图像序列中每张参考图像的位置并不做任何调整和改变。
[0101]
作为一种可选的实施方式，根据第一候选图像序列、第二候选图像序列、第三候选图像序列和第四候选图像序列确定出目标参考图像序列包括：
[0102]
s1，依次获取第一候选图像序列、第二候选图像序列、第三候选图像序列、第四候选图像序列中位于当前序位上的候选参考图像序列；
[0103]
s2，在候选参考图像序列为同一参考图像序列的情况下，将候选参考图像序列作为目标参考图像序列；
[0104]
s3，在候选参考图像序列为不同参考图像序列的情况下，获取下一序位对应的候选参考图像序列。
[0105]
可选地，从第一序位开始，判断第一候选图像序列、第二候选图像序列、第三候选图像序列和第四候选图像序列中位于第一序位的候选参考图像序列是否为同一参考图像序列。在四个位于第一序位的候选参考图像序列均为同一参考图像序列的情况下，将位于第一序位的候选参考图像序列的参考图像序列作为目标参考图像序列。在四个位于第一序位的候选参考图像序列不是同一参考图像序列的情况下，进行第二序位的判断，按照序位依次进行，直至获取到位于同一序位上的四个候选参考图像序列相同的目标参考图像序列。
[0106]
在本技术实施例中，分别根据四种方式计算得到的相似距离对多组参考图像序列进行重新排序，得到的四个候选参考图像序列，按照序位依次进行判断，在位于同一序位上的四个候选参考图像序列均为同一参考图像序列的情况下，将其确定为目标参考图像序列，从而得到与初始图像序列匹配的目标参考图像序列。通过四个候选参考图像序列的相互比对，综合步态轮廓图和关节骨骼图，以及全部步态特征和部分步态特征，从两个不同维度，四个不同步态相似距离，提高基于步态特征进行身份识别的准确率。
[0107]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0108]
根据本发明实施例的另一个方面，还提供了一种用于实施上述身份识别方法的身份识别装置。如图10所示，该装置包括：
[0109]
处理单元1002，用于对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，其中，初始图像为目标视频中包含有目标对象的视频帧；
[0110]
获取单元1004，用于获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，其中，第一骨骼图序列中包括与各个第一轮廓图分别对应的第一骨骼图，第二轮廓图序列中包括与各个第一轮廓图分别对应的第二轮廓图，第二骨骼图序列中包括与各个第一轮廓图分别对应的第二骨骼图；
[0111]
输入单元1006，用于将第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，其中，步态识别模型为多层卷积神经网络模型；
[0112]
计算单元1008，用于分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离；
[0113]
确定单元1010，用于根据相似距离确定出目标参考图像序列，并将目标参考图像序列对应的身份信息确定为目标对象的身份信息。
[0114]
可选地，上述获取单元1004还包括第一构建模块，用于利用关节提取模型对初始图像进行关节位置提取，得到关节位置对应的关节坐标；将关节坐标映射到第一轮廓图中，得到第一骨骼图；利用第一骨骼图，构建与初始图像序列对应的第一骨骼图序列。
[0115]
可选地，上述获取单元1004还包括：
[0116]
第二构建模块，用于对第一轮廓图进行图像分割处理，得到第二轮廓图，并利用第二轮廓图，构建与初始图像序列对应的第二轮廓图序列，其中，第二轮廓图包含第一轮廓图的部分图像；
[0117]
第三构建模块，用于对第一骨骼图进行图像分割处理，得到第二骨骼图，并利用第二骨骼图，构建与初始图像序列对应的第二骨骼图序列，其中，第二骨骼图包含第一骨骼图的部分图像。
[0118]
可选地，上述身份识别装置还宝库参考获取单元，用于在分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离之前，获取每组参考图像序列对应的第一参考轮廓图像序列、第一参考骨骼图像序列、第二参考轮廓图像序列、第二参考骨骼图像序列；将第一参考轮廓图像序列、第一参考骨骼图像序列、第二参考轮廓图像序列、第二参考骨骼图像序列分别输入步态识别模型中，得到对应的第一参考轮廓向量、第一参考骨骼向量、第二参考轮廓向量和第二参考骨骼向量。
[0119]
可选地，上述计算单元1008还用于计算第一轮廓向量与第一参考轮廓向量之间的余弦距离，得到第一候选相似距离；计算第一骨骼向量与第一参考骨骼向量之间的余弦距离，得到第二候选相似距离；计算第二轮廓向量与第二参考轮廓向量之间的余弦距离，得到第三相似距离；计算第二骨骼向量与第二参考骨骼向量之间的余弦距离，得到第四相似距离。
[0120]
可选地，上述身份识别装置还包括修正单元，用于在获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列之后，从第一骨骼图像中提取初始中轴偏角值，利用初始中轴偏角值构建初始图像序列对应的初始偏角向量；从第一参考骨骼图像中提取参考中轴偏角值，利用参考中轴偏角值构建参考图像序列对应的参考偏角向量；计算初始偏角向量与参考偏角向量的余弦距离，得到修正距离。
[0121]
可选地，上述计算单元1008还用于在得到第一候选相似距离的情况下，利用修正距离对第一候选相似距离进行修正，得到第一相似距离；在得到第二候选相似距离的情况下，利用修正距离对第二候选相似距离进行修正，得到第二相似距离。
[0122]
可选地，上述确定单元1010还用于按照第一相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第一候选图像序列；按照第二相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第二候选图像序列；按照第三相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第三候选图像序列；按照第四相似距离的数值由小到大的顺序，对多组参考图像序列中的参考图像序列进行排序，得到第四候选图像序列；根据第一候选图像序列、第二候选图像序列、第三候选图像序列和第四候选图像序列确定出目标参考图像序列。
[0123]
可选地，上述确定单元1010还用于依次获取第一候选图像序列、第二候选图像序列、第三候选图像序列、第四候选图像序列中位于当前序位上的候选参考图像序列；在候选参考图像序列为同一参考图像序列的情况下，将候选参考图像序列作为目标参考图像序列；在候选参考图像序列为不同参考图像序列的情况下，获取下一序位对应的候选参考图像序列。
[0124]
可选地，上述身份识别装置还包括，提示单元，用于在从第一候选图像序列、第二候选图像序列、第三候选图像序列、第四候选图像序列中未确定出目标参考图像序列的情况下，提示目标对象身份识别失败。
[0125]
在本技术实施例中，采用将包含目标对象的视频帧构成初始图像序列，并获取初始图像序列对应的第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，利用步态识别模型获取到各个图像序列对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，并分别计算每组参考图像序列对应的参考向量与第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量的相似度距离，从而确定出目标参考图像序列的方式，通过对初始图像序列进行处理，得到多组对应的图像序列和多个步态特征向量，分别计算各个图像向量与参考向量的相似距离，从而根据多组相似距离确定出初始图像序列对应的目标参考图像序列，达到了综合多组图像序列确定出的多个步态特征向量以根据多组步态特征向量对应的相似度，得到更为准确的步态匹配结果，从而得到更为准确的身份识别信息的目的，从而实现了提高基于步态特征进行身份识别的准确率的技术效果，进而解决了使用单一的步态轮廓图使得步态识别准确性较低进而导致身份识别准确性较低的技术问题。
[0126]
根据本发明实施例的又一个方面，还提供了一种用于实施上述身份识别方法的电子设备，该电子设备可以是图1所示的终端设备或服务器。本实施例以该电子设备为服务器为例来说明。如图11所示，该电子设备包括存储器1102和处理器1104，该存储器1102中存储
有计算机程序，该处理器1104被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
[0127]
可选地，在本实施例中，上述电子设备可以位于计算机网络的多个网络设备中的至少一个网络设备。
[0128]
可选地，在本实施例中，上述处理器可以被设置为通过计算机程序执行以下步骤：
[0129]
s1，对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，其中，初始图像为目标视频中包含有目标对象的视频帧；
[0130]
s2，获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，其中，第一骨骼图序列中包括与各个第一轮廓图分别对应的第一骨骼图，第二轮廓图序列中包括与各个第一轮廓图分别对应的第二轮廓图，第二骨骼图序列中包括与各个第一轮廓图分别对应的第二骨骼图；
[0131]
s3，将第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，其中，步态识别模型为多层卷积神经网络模型；
[0132]
s4，分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离；
[0133]
s5，根据相似距离确定出目标参考图像序列，并将目标参考图像序列对应的身份信息确定为目标对象的身份信息。
[0134]
可选地，本领域普通技术人员可以理解，图11所示的结构仅为示意，电子设备也可以是智能手机(如android手机、ios手机等)、平板电脑、掌上电脑以及移动互联网设备(mobile internet devices，mid)、pad等终端设备。图11其并不对上述电子设备的结构造成限定。例如，电子设备还可包括比图11中所示更多或者更少的组件(如网络接口等)，或者具有与图11所示不同的配置。
[0135]
其中，存储器1102可用于存储软件程序以及模块，如本发明实施例中的身份识别方法和装置对应的程序指令/模块，处理器1104通过运行存储在存储器1102内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的身份识别方法。存储器1102可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器1102可进一步包括相对于处理器1104远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。其中，存储器1102具体可以但不限于用于存储初始图像序列、参考图像序列、步态识别模型等信息。作为一种示例，如图11所示，上述存储器1102中可以但不限于包括上述身份识别装置中的处理单元1002，获取单元1004，输入单元1006，计算单元1008和确定单元1010。此外，还可以包括但不限于上述身份识别装置中的其他模块单元，本示例中不再赘述。
[0136]
可选地，上述的传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中，传输装置1106包括一个网络适配器(network interface controller，nic)，其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中，传输装置1106为射频(radio frequency，
rf)模块，其用于通过无线方式与互联网进行通讯。
[0137]
此外，上述电子设备还包括：显示器1108，用于显示上述初始图像序列；和连接总线1110，用于连接上述电子设备中的各个模块部件。
[0138]
在其他实施例中，上述终端设备或者服务器可以是一个分布式系统中的一个节点，其中，该分布式系统可以为区块链系统，该区块链系统可以是由该多个节点通过网络通信的形式连接形成的分布式系统。其中，节点之间可以组成点对点(p2p，peer to peer)网络，任意形式的计算设备，比如服务器、终端等电子设备都可以通过加入该点对点网络而成为该区块链系统中的一个节点。
[0139]
根据本技术的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述身份识别方面的各种可选实现方式中提供的方法。其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0140]
可选地，在本实施例中，上述计算机可读的存储介质可以被设置为存储用于执行以下步骤的计算机程序：
[0141]
s1，对目标视频对应的初始图像序列中的每个初始图像分别进行图像处理，得到各个初始图像各自对应的第一轮廓图所构成的第一轮廓图序列，其中，初始图像为目标视频中包含有目标对象的视频帧；
[0142]
s2，获取与第一轮廓图序列对应的第一骨骼图序列、第二轮廓图序列和第二骨骼图序列，其中，第一骨骼图序列中包括与各个第一轮廓图分别对应的第一骨骼图，第二轮廓图序列中包括与各个第一轮廓图分别对应的第二轮廓图，第二骨骼图序列中包括与各个第一轮廓图分别对应的第二骨骼图；
[0143]
s3，将第一轮廓图序列、第一骨骼图序列、第二轮廓图序列和第二骨骼图序列分别输入步态识别模型，以得到第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量，其中，步态识别模型为多层卷积神经网络模型；
[0144]
s4，分别计算多组参考图像序列中每组参考图像序列的各个参考向量各自与对应的第一轮廓向量、第一骨骼向量、第二轮廓向量和第二骨骼向量之间的相似距离；
[0145]
s5，根据相似距离确定出目标参考图像序列，并将目标参考图像序列对应的身份信息确定为目标对象的身份信息。
[0146]
可选地，在本实施例中，本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(read
‑
only memory，rom)、随机存取器(random access memory，ram)、磁盘或光盘等。
[0147]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0148]
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所
述方法的全部或部分步骤。
[0149]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0150]
在本技术所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0151]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0152]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0153]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。