一种身份识别方法、装置、电子设备及存储介质与流程

1.本发明涉及生物特征识别技术领域，尤其涉及一种身份识别方法、装置、电子设备及存储介质。


背景技术：

2.步态身份识别是一种新兴的生物特征识别技术，它是通过人们行走的姿态来进行身份识别的，具有非接触、远距离识别等诸多优点。尤其是在视频监控技术日益发展的今天，步态身份识别技术越来越成为研究者们的关注热点。当前主流的步态身份识别算法大多是采用深度学习模型获取行人步态轮廓图序列，然后对行人步态轮廓图序列进行特征提取得到待识别步态特征信息，将待识别步态特征信息与特征库中的候选步态特征信息进行匹配，以实现对行人的身份识别。但是仅依靠步态特征信息进行身份识别的误判率较高，身份识别的准确性较差。


技术实现要素：

3.本发明实施例提供了一种身份识别方法、装置、电子设备及存储介质，用以解决现有的身份识别准确性较差的问题。
4.本发明实施例提供了一种身份识别方法，所述方法包括：
5.确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；
6.将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；
7.将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；
8.根据所述第二相似度确定所述目标对象是否为所述候选对象。
9.进一步地，所述确定待处理视频中目标对象的待识别步态特征信息包括：
10.将所述待处理视频中的每张图像分别输入训练后的图像分割模型，基于所述图像分割模型确定所述每张图像中所述目标对象的待识别步态轮廓图，根据每个待识别步态轮廓图确定待识别步态轮廓序列；其中，所述图像分割模型是利用标注有步态轮廓位置信息的第一样本图像进行训练得到的；
11.将所述待识别步态轮廓序列输入训练后的步态特征提取模型，基于所述步态特征提取模型确定所述待识别步态轮廓序列对应的待识别步态特征信息；其中，所述步态特征提取模型是利用标注有样本步态特征信息的样本步态轮廓序列进行训练得到的。
12.进一步地，确定待处理视频中目标对象的待识别属性信息包括：
13.在所述待处理视频中确定待识别图像，将所述待识别图像输入训练后的属性提取模型，基于所述属性提取模型确定所述待识别图像中所述目标对象的待识别属性信息；其中，所述属性提取模型是利用标注有样本对象属性信息的第二样本图像进行训练得到的。
14.进一步地，所述根据所述第二相似度确定所述目标对象是否为所述候选对象包
括：
15.若确定所述第二相似度大于预设的第一相似度阈值，则确定所述目标对象为所述候选对象。
16.进一步地，所述候选对象包括至少两个，所述根据所述第二相似度确定所述目标对象是否为所述候选对象包括：
17.确定所述目标对象与每个候选对象的第二相似度；选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象。
18.进一步地，所述选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象包括：
19.从大于预设的第二相似度阈值的第二相似度中，选取出最大的第二相似度对应的候选对象；确定所述目标对象为选取出的候选对象。
20.进一步地，所述属性信息包括年龄信息、性别信息和肤色信息；
21.所述将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度包括：
22.针对每种待识别属性信息，将该待识别属性信息与特征库中的候选对象的对应的候选属性信息进行匹配，确定该待识别属性信息对应的相似度变化值；
23.根据每种待识别属性信息对应的相似度变化值和预先确定的每种待识别属性信息对应的权重值，确定所述目标对象与所述候选对象的相似度变化值；
24.根据所述相似度变化值对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度。
25.进一步地，所述确定所述目标对象与所述候选对象的第一相似度之后，将所述待识别属性信息与所述候选对象的候选属性信息进行匹配之前，所述方法还包括：
26.若所述第一相似度大于预设的第三相似度阈值，确定所述目标对象为所述候选对象；若所述第一相似度小于预设的第四相似度阈值，确定所述目标对象不是所述候选对象；
27.若所述第一相似度处于所述预设的第三相似度阈值和预设的第四相似度阈值之间，进行将所述待识别属性信息与所述候选对象的候选属性信息进行匹配的步骤；其中，所述预设的第三相似度阈值大于预设的第四相似度阈值。
28.另一方面，本发明实施例提供了一种身份识别装置，所述装置包括：
29.第一确定模块，用于确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；
30.第二确定模块，用于将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；
31.第三确定模块，用于将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；
32.识别模块，用于根据所述第二相似度确定所述目标对象是否为所述候选对象。
33.进一步地，所述第一确定模块，具体用于将所述待处理视频中的每张图像分别输入训练后的图像分割模型，基于所述图像分割模型确定所述每张图像中所述目标对象的待识别步态轮廓图，根据每个待识别步态轮廓图确定待识别步态轮廓序列；其中，所述图像分
割模型是利用标注有步态轮廓位置信息的第一样本图像进行训练得到的；将所述待识别步态轮廓序列输入训练后的步态特征提取模型，基于所述步态特征提取模型确定所述待识别步态轮廓序列对应的待识别步态特征信息；其中，所述步态特征提取模型是利用标注有样本步态特征信息的样本步态轮廓序列进行训练得到的。
34.进一步地，所述第一确定模块，具体用于在所述待处理视频中确定待识别图像，将所述待识别图像输入训练后的属性提取模型，基于所述属性提取模型确定所述待识别图像中所述目标对象的待识别属性信息；其中，所述属性提取模型是利用标注有样本对象属性信息的第二样本图像进行训练得到的。
35.进一步地，所述识别模块，具体用于若确定所述第二相似度大于预设的第一相似度阈值，则确定所述目标对象为所述候选对象。
36.进一步地，所述识别模块，具体用于确定所述目标对象与每个候选对象的第二相似度；选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象。
37.进一步地，所述识别模块，具体用于从大于预设的第二相似度阈值的第二相似度中，选取出最大的第二相似度对应的候选对象；确定所述目标对象为选取出的候选对象。
38.进一步地，所述第三确定模块，具体用于针对每种待识别属性信息，将该待识别属性信息与特征库中的候选对象的对应的候选属性信息进行匹配，确定该待识别属性信息对应的相似度变化值；根据每种待识别属性信息对应的相似度变化值和预先确定的每种待识别属性信息对应的权重值，确定所述目标对象与所述候选对象的相似度变化值；根据所述相似度变化值对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度。
39.进一步地，所述识别模块，还用于若所述第一相似度大于预设的第三相似度阈值，确定所述目标对象为所述候选对象；若所述第一相似度小于预设的第四相似度阈值，确定所述目标对象不是所述候选对象；若所述第一相似度处于所述预设的第三相似度阈值和预设的第四相似度阈值之间，触发所述第三确定模块；其中，所述预设的第三相似度阈值大于预设的第四相似度阈值。
40.另一方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
41.存储器，用于存放计算机程序；
42.处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的方法步骤。
43.另一方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法步骤。
44.本发明实施例提供了一种身份识别方法、装置、电子设备及存储介质，所述方法包括：确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；根据所述第二相似度确定所述目标对象是否为所述候选对象。
45.上述的技术方案具有如下优点或有益效果：
46.本发明实施例中，确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息，基于待识别步态特征信息确定目标对象与候选对象的第一相似度，基于待识别属性信息对目标对象与候选对象的第一相似度进行修正，得到第二相似度，进而根据第二相似度进行身份识别。本发明实施例利用待识别属性信息对基于待识别步态特征信息确定的目标对象与候选对象的第一相似度进行修正，根据修正后得到的第二相似度确定目标对象是否为候选对象，提高了对目标对象进行身份识别的准确性。
附图说明
47.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
48.图1为本发明实施例1提供的身份识别过程示意图；
49.图2为本发明实施例7提供的身份识别示意图；
50.图3为本发明实施例8提供的身份识别装置结构示意图；
51.图4为本发明实施例9提供的电子设备结构示意图。
具体实施方式
52.下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，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它实施例，都属于本发明保护的范围。
53.实施例1：
54.图1为本发明实施例提供的身份识别过程示意图，该过程包括以下步骤：
55.s101：确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息。
56.s102：将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度。
57.s103：将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度。
58.s104：根据所述第二相似度确定所述目标对象是否为所述候选对象。
59.本发明实施例提供的身份识别方法应用于电子设备，该电子设备可以是pc、平板电脑等设备，也可以是摄像机等设备。如果电子设备为摄像机，摄像机采集到待处理的视频之后，确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息，并进行后续身份识别的过程。如果电子设备为pc、平板电脑等设备，摄像机采集到待处理的视频之后，先将待处理视频发送至电子设备，然后再由电子设备确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息，并进行后续身份识别的过程。
60.电子设备确定待处理视频中目标对象的待识别步态特征信息，其中，可以在待处理视频中选取一张质量较好的图像，然后基于选取出的图像确定图像中目标对象的待识别步态特征信息。也可以是针对待处理视频中每张图像，确定目标对象的待识别步态轮廓图，
然后根据待处理视频中图像帧排序，得到待识别步态轮廓序列，再基于待识别步态轮廓序列确定目标对象的待识别步态特征信息。其中，电子设备可以通过深度学习的方法确定出目标对象的待识别步态特征信息。
61.电子设备确定待处理视频中目标对象的待识别属性信息，其中，待识别属性信息可以是年龄信息、性别信息、肤色信息中的一个或多个。其中，电子设备可以通过深度学习的方法确定出目标对象的待识别属性信息。
62.电子设备预先保存的特征库中包括候选对象的候选步态特征信息和候选属性信息。分别将待识别步态特征信息和特征库中的候选对象的候选步态特征信息进行匹配，将待识别属性信息与特征库中的候选对象的候选属性信息进行匹配，从而确定出目标对象与候选对象的相似度，然后根据相似度确定目标对象是否为候选对象。
63.具体的，将待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定目标对象与候选对象的第一相似度。其中，提取出的目标对象的待识别步态特征信息以及特征库中的候选对象的候选步态特征信息可以表示为特征向量，将待识别步态特征信息和特征库中的候选对象的候选步态特征信息进行匹配，即确定待识别步态特征信息和特征库中的候选对象的候选步态特征信息的余弦距离。余弦距离越小，第一相似度越大。
64.将待识别属性信息与候选对象的候选属性信息进行匹配，根据匹配结果对第一相似度进行修正，确定目标对象与候选对象的第二相似度。其中，将待识别属性信息与特征库中的候选对象的候选属性信息进行匹配即确定待识别属性信息与特征库中的候选对象的候选属性信息是否相同。对第一相似度进行修正，例如是，待识别属性信息与候选属性信息相同，则将第一相似度作为修正后的第二相似度，或在第一相似度的基础上增加一定的数值得到第二相似度。待识别属性信息与候选属性信息不同，则在第一相似度的基础上减去一定的数值得到第二相似度。最后根据第二相似度确定目标对象是否为候选对象。需要说明的是，特征库中还包括候选对象的身份信息，例如候选对象的姓名、身份证号码等。如果确定目标对象为候选对象，则将候选对象的身份信息确定为目标对象的身份信息，实现了对目标对象的身份识别。
65.本发明实施例中，确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息，基于待识别步态特征信息确定目标对象与候选对象的第一相似度，基于待识别属性信息对目标对象与候选对象的第一相似度进行修正，得到第二相似度，进而根据第二相似度进行身份识别。本发明实施例利用待识别属性信息对基于待识别步态特征信息确定的目标对象与候选对象的第一相似度进行修正，根据修正后得到的第二相似度确定目标对象是否为候选对象，提高了对目标对象进行身份识别的准确性。
66.实施例2：
67.为了确定待处理视频中目标对象的待识别步态特征信息，在上述实施例的基础上，在本发明实施例中，所述确定待处理视频中目标对象的待识别步态特征信息包括：
68.将所述待处理视频中的每张图像分别输入训练后的图像分割模型，基于所述图像分割模型确定所述每张图像中所述目标对象的待识别步态轮廓图，根据每个待识别步态轮廓图确定待识别步态轮廓序列；其中，所述图像分割模型是利用标注有步态轮廓位置信息的第一样本图像进行训练得到的；
69.将所述待识别步态轮廓序列输入训练后的步态特征提取模型，基于所述步态特征
提取模型确定所述待识别步态轮廓序列对应的待识别步态特征信息；其中，所述步态特征提取模型是利用标注有样本步态特征信息的样本步态轮廓序列进行训练得到的。
70.本发明实施例中，电子设备基于图像分割模型和步态特征提取模型确定待处理视频中目标对象的待识别步态特征信息。图像分割模型用于确定待处理视频中每张图像中目标对象的待识别步态轮廓图。步态特征提取模型用于确定目标对象的待识别步态特征信息。
71.在训练图像分割模型时，针对第一训练集中的每个第一样本图像，将该第一样本图像和对应的标注图像输入图像分割模型，对图像分割模型进行训练。其中，标注图像中标注有对应的第一样本图像中第一样本对象的步态轮廓位置信息。图像分割模型训练完成后，将待处理视频中的每张图像分别输入训练后的图像分割模型，基于图像分割模型确定每张图像中所述目标对象的待识别步态轮廓图。根据每个待识别步态轮廓图，按照图像帧排序得到待识别步态轮廓序列。需要说明的是，本发明实施例中，在确定待识别步态轮廓序列的过程中，可以先对待处理视频中的图像进行筛选，例如从待处理视频中选出一定数量的质量较好的图像，然后将选出的图像输入训练后的图像分割模型，基于图像分割模型确定每张图像中目标对象的待识别步态轮廓图，进而根据每个待识别步态轮廓图确定待识别步态轮廓序列。从而保证得到的待识别步态轮廓序列的准确性。
72.在训练步态特征提取模型时，针对第二训练集中的每个样本步态轮廓序列，将该样本步态轮廓序列和对应的样本步态特征信息输入步态特征提取模型，对步态特征提取模型进行训练。步态特征提取模型训练完成后，将待识别步态轮廓序列输入训练后的步态特征提取模型，基于步态特征提取模型确定待识别步态轮廓序列对应的待识别步态特征信息。
73.实施例3：
74.为了确定待处理视频中目标对象的待识别属性信息，在上述各实施例的基础上，在本发明实施例中，所述确定待处理视频中目标对象的待识别属性信息包括：
75.在所述待处理视频中确定待识别图像，将所述待识别图像输入训练后的属性提取模型，基于所述属性提取模型确定所述待识别图像中所述目标对象的待识别属性信息；其中，所述属性提取模型是利用标注有样本对象属性信息的第二样本图像进行训练得到的。
76.本发明实施例中，基于训练后的属性提取模型确定待处理视频中目标对象的待识别属性信息。在训练属性提取模型时，针对第三训练集中的每个第二样本图像，将该第二样本图像和对应的第二样本对象属性信息输入属性提取模型，对属性提取模型进行训练。属性提取模型训练完成后，在待处理视频中确定待识别图像，将待识别图像输入训练后的属性提取模型，基于属性提取模型确定待识别图像中目标对象的待识别属性信息。确定出的待识别图像中目标对象的待识别属性信息也就是待处理视频中目标对象的待识别属性信息。需要说明的是，在待处理视频中确定待识别图像时，可以将待处理视频中质量最好的图像作为待识别图像。
77.实施例4：
78.为了进行身份识别，在上述各实施例的基础上，在本发明实施例中，所述根据所述第二相似度确定所述目标对象是否为所述候选对象包括：
79.若确定所述第二相似度大于预设的第一相似度阈值，则确定所述目标对象为所述
候选对象。
80.电子设备中保存有预设的第一相似度阈值，该预设的第一相似度阈值例如是0.8、0.85等。电子设备确定目标对象与候选对象的第二相似度之后，判断第二相似度是否大于预设的第一相似度阈值，如果是，则确定目标对象为候选对象，如果否，则确定目标对象不是候选对象。
81.实施例5：
82.特征库中的候选对象有可能是多个，当候选对象包括至少两个时，为了进行身份识别，在上述各实施例的基础上，在本发明实施例中，所述候选对象包括至少两个，所述根据所述第二相似度确定所述目标对象是否为所述候选对象包括：
83.确定所述目标对象与每个候选对象的第二相似度；选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象。
84.本发明实施例中，候选对象包括至少两个，分别将待识别步态特征信息和待识别属性信息与特征库中的每个候选对象的候选步态特征信息和候选属性信息进行匹配，确定目标对象与每个候选对象的第二相似度。例如，特征库中包括候选对象a的候选步态特征信息和候选属性信息、候选对象b的候选步态特征信息和候选属性信息、候选对象c的候选步态特征信息和候选属性信息。分别将待识别步态特征信息和待识别属性信息与候选对象a的候选步态特征信息和候选属性信息进行匹配，确定目标对象与候选对象a的第二相似度。将待识别步态特征信息和待识别属性信息与候选对象b的候选步态特征信息和候选属性信息进行匹配，确定目标对象与候选对象b的第二相似度。将待识别步态特征信息和待识别属性信息与候选对象c的候选步态特征信息和候选属性信息进行匹配，确定目标对象与候选对象c的第二相似度。然后从确定出的三个第二相似度中选取出最大的第二相似度对应的候选对象，确定目标对象为选取出的候选对象。例如目标对象与候选对象c的第二相似度最大，则确定目标对象为候选对象c。
85.为了进一步使身份识别更准确，在本发明实施例中，所述选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象包括：
86.从大于预设的第二相似度阈值的第二相似度中，选取出最大的第二相似度对应的候选对象；确定所述目标对象为选取出的候选对象。
87.电子设备中保存有预设的第二相似度阈值，该预设的第二相似度阈值与预设的第一相似度阈值可以相同或不同。电子设备确定目标对象与每个候选对象的第二相似度之后，首选筛选出大于预设的第二相似度阈值的第二相似度。然后再从筛选出的大于预设的第二相似度阈值的第二相似度中选取最大的第二相似度，确定目标对象为选取出的最大的第二相似度对应的候选对象。
88.由于在本发明实施例中，当候选对象包括至少两个时，首先确定出目标对象与每个候选对象的第二相似度，然后筛选出大于预设的第二相似度阈值的第二相似度，再从筛选出的第二相似度中选取最大的第二相似度，确定目标对象为选取出的最大的第二相似度对应的候选对象。因此本发明实施例进行身份识别更准确。
89.需要说明的是，如果确定出的目标对象与每个候选对象的第二相似度中，不存在大于预设的第二相似度阈值的第二相似度，则认为特征库中没有与目标对象相同的候选对象。
90.另外，根据需要可以基于本发明实施例提供的方案选取与目标对象相似度较高的一个或多个候选对象。具体的选取策略可以是如下任意一种：策略一、从确定出的选取目标对象与每个候选对象的第二相似度中，选取最大的第二相似度对应的候选对象。策略二、从确定出的选取目标对象与每个候选对象的第二相似度中，选取出大于预设的第五相似度阈值的第二相似度对应的候选对象，如果大于预设的第五相似度阈值的第二相似度为多个，则选取出多个候选对象；预设的第五相似度阈值可以是0.7、0.8等。策略三、对目标对象与每个候选对象的第二相似度进行排序，然后根据排序结果从大到小选取预设数量的第二相似度对应的候选对象，预设数量可以根据需求进行灵活设置，例如是2个、4个、5个等。
91.实施例6：
92.为了使确定目标对象与候选对象的相似度更准确，在上述各实施例的基础上，在本发明实施例中，所述属性信息包括年龄信息、性别信息和肤色信息；
93.所述将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度包括：
94.针对每种待识别属性信息，将该待识别属性信息与特征库中的候选对象的对应的候选属性信息进行匹配，确定该待识别属性信息对应的相似度变化值；
95.根据每种待识别属性信息对应的相似度变化值和预先确定的每种待识别属性信息对应的权重值，确定所述目标对象与所述候选对象的相似度变化值；
96.根据所述相似度变化值对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度。
97.本发明实施例中，首先将待识别步态特征信息与特征库中的候选对象的候选步态特征信息进行匹配，确定目标对象与候选对象的第一相似度。然后将待识别属性信息与特征库中的候选对象的候选属性信息进行匹配，确定目标对象与候选对象的相似度变化值。其中，待识别属性信息与特征库中的候选对象的候选属性信息相同，或者待识别属性信息是不确定的，此时目标对象与候选对象的相似度变化值为0，待识别属性信息与特征库中的候选对象的候选属性信息不同，此时目标对象与候选对象的相似度变化值为负值。若待识别属性信息为多个，则分别确定出每个待识别属性信息对应的相似度变化值。然后将确定目标对象与候选对象的第一相似度和相似度变化值进行相加，得到目标对象与候选对象的第二相似度。
98.本发明实施例中，属性信息包括年龄信息、性别信息和肤色信息，针对每种待识别属性信息，将该待识别属性信息与特征库中的候选对象的对应的候选属性信息进行匹配，确定该待识别属性信息对应的相似度变化值。预先确定的每种待识别属性信息对应的权重值，其中，每种待识别属性信息对应的权重值体现了每种待识别属性信息对于身份识别的重要性，可以根据需求进行设定。也可以在属性提取模型训练完成后，确定属性提取模型对于每种待识别属性信息提取的准确率，然后为准确率高的待识别属性信息分配高的权重值。将每种待识别属性信息对应的相似度变化值和预先确定的每种待识别属性信息对应的权重值进行加权求和，确定目标对象与候选对象的相似度变化值。根据相似度变化值对第一相似度进行修正，确定目标对象与候选对象的第二相似度。
99.由于在本发明实施例中，针对每种待识别属性信息，确定该待识别属性信息对应的相似度变化值；根据每种待识别属性信息对应的相似度变化值和预先确定的每种待识别
属性信息对应的权重值，确定目标对象与候选对象的相似度变化值。使得确定的目标对象与候选对象的相似度变化值更准确。
100.实施例7：
101.为了提高身份识别的效率，在上述各实施例的基础上，在本发明实施例中，所述确定所述目标对象与所述候选对象的第一相似度之后，将所述待识别属性信息与所述候选对象的候选属性信息进行匹配之前，所述方法还包括：
102.若所述第一相似度大于预设的第三相似度阈值，确定所述目标对象为所述候选对象；若所述第一相似度小于预设的第四相似度阈值，确定所述目标对象不是所述候选对象；
103.若所述第一相似度处于所述预设的第三相似度阈值和预设的第四相似度阈值之间，进行将所述待识别属性信息与所述候选对象的候选属性信息进行匹配的步骤；其中，所述预设的第三相似度阈值大于预设的第四相似度阈值。
104.本发明实施例中，预设的第三相似度阈值大于预设的第一相似度阈值和预设的第二相似度阈值，预设的第四相似度阈值小于预设的第一相似度阈值和预设的第二相似度阈值。
105.将待识别步态特征信息与特征库中的候选对象的候选步态特征信息进行匹配，确定目标对象与候选对象的第一相似度之后，首先判断第一相似度与预设的第三相似度阈值和预设的第四相似度阈值之间的大小关系。如果第一相似度大于预设的第三相似度阈值，此时不需要再根据待识别属性信息对第一相似度进行修正，可直接确定目标对象为候选对象。如果第一相似度小于预设的第四相似度阈值，此时也不需要再根据待识别属性信息对第一相似度进行修正，可直接确定目标对象不是候选对象。
106.若第一相似度处于所述预设的第三相似度阈值和预设的第四相似度阈值之间，此时为了使确定目标对象的身份标识更准确，将待识别属性信息与特征库中的候选对象的候选属性信息进行匹配，确定目标对象与候选对象的相似度变化值；根据目标对象与所述候选对象的第一相似度和所述相似度变化值，确定目标对象与候选对象的第二相似度。然后在根据目标对象与候选对象的第二相似度确定目标对象是否为候选对象。
107.由于在本发明实施例中，如果第一相似度大于预设的第三相似度阈值，此时直接确定目标对象为候选对象。如果第一相似度小于预设的第四相似度阈值，此时直接确定目标对象不是候选对象。因此在保证身份识别的准确性的前提下，提高了身份识别的效率。
108.图2为本发明实施例提供的身份识别示意图，如图2所示，首先采集行人视频，将其按帧分为连续的rgb图像，提取行人的待识别属性信息，提取行人的待识别步态特征信息，结合待识别属性信息和待识别步态特征信息进行身份识别。
109.行人视频可以利用监控摄像头、行车记录仪等设备拍摄的行人行走视频，在行人视频中截取行人行走较为清晰完整的视频段，将该视频段按照帧的顺序分为连续的rgb图像序列。
110.在连续的rgb图像序列中筛选出一张成像质量最好的图像，提取图像中行人的待识别属性信息，这些属性信息包括行人的性别、行人的年龄以及行人的肤色。行人的性别分为男性和女性，提取到的性别属性信息应当如下：{男性：行人为男性的置信度；女性：行人为女性的置信度}；行人的年龄较难精确，因此可以考虑提取行人所属的年龄段，提取到的年龄属性信息应当如下：{儿童：行人为儿童的置信度；成年人：行人为成年人但不是老人的
置信度；老人：行人为老人的置信度}；行人的肤色分为黄皮肤、黑皮肤、白皮肤，提取到的肤色属性信息应当如下：{黄皮肤：行人为黄皮肤的置信度；黑皮肤：行人为黑皮肤的置信度；白皮肤：行人为白皮肤的置信度}。提取行人的属性信息是通过属性提取模型来实现的，属性提取模型包括特征提取阶段和判别阶段，特征提取阶段主要由多层卷积神经网络组成，用于提取属性相关的特征信息，判别阶段主要包括全连接层和softmax层，根据提取到的特征信息进行判别和分类，得到行人的属性信息。将行人的rgb图像送入属性提取模型中，输出行人的待识别属性信息。可以将行人的属性信息保存成json文件或者txt文件。
111.对连续的rgb图像序列进行处理，利用背景减除法或者预先训练好的图像分割模型将rgb图像分割成步态轮廓图，得到行人的步态轮廓图序列；然后将步态轮廓图序列送入预先训练好的步态特征提取模型中，提取行人的步态特征信息。这里的图像分割模型可使用u
‑
net、deeplabv3以及pspnet等已有的分割模型，也可以是自行设计的并预先训练好的分割模型。这里的步态特征提取模型由多层卷积神经网络组成，在训练时采用的损失函数为三元组损失函数，损失函数最终的输出值应当在给定的范围内，这个给定的范围需要根据实际情况进行设置，可采用0.1、0.2等。
112.通过上述方法获取行人的待识别属性信息以及待识别步态特征信息后，通过同样的方法可以得到特征库中每个候选对象的候选属性信息以及候选步态特征信息。首先计算待识别步态特征信息与特征库中候选对象步态特征信息之间的余弦距离，根据该余弦距离得到初始相似度；然后对待识别属性信息与特征库中的候选对象的候选属性信息进行匹配，确定相似度变化值。存在三种情形：1、目标对象与候选对象的性别相同，保持他们之间的原始相似度不变；2、目标对象与候选对象的性别不同，对他们之间的初始相似度进行适当的减少；3、目标对象与候选对象中有一方性别是不确定的，保持他们之间的初始相似度不变。需要说明的是，当男性(或女性)的置信度高于给定的设置值，则认为该行人是男性(或女性)，当男性和女性的置信度均不高于给定的设置值，则认为该行人的性别是不确定的。给定的设置值可根据实际情况进行设置，可考虑采用的值为0.8、0.85等。按照上述方法，再对目标对象和候选对象的年龄属性和肤色属性进行比对，三次比对的减分或不减分使用的是累加策略。具体的，累加策略如下所示：
[0113][0114]
在上式中，表示在比对属性i时所需要的减分，这里i＝0,1,2，分别对应性别属性、年龄属性和肤色属性，w
i
表示权重值，由于行人属性提取模型对性别属性、年龄属性和肤色属性的识别准确性可能存在差异，因此我们对识别准确性高的属性赋予较大的权重值，三种属性具体的权重值需要根据行人属性提取模型具体的识别准确率进行设置，s
ori
表示初始相似度，s
min
和s
max
分别表示参与计算的相似度下限和相似度上限，如果初始相似度低于s
min
的目标对象和候选对象不会是同一个人，认为初始相似度高于s
max
的目标对象和候选对象一定是同一个人，这种做法避免了算法的耗时过高,s
min
和s
max
的具体取值需要根据实验具体设置。q
i_max
表示目标对象的属性类别，g
i_max
表示候选对象的属性类别，c
qi_max
表示当q
i_max
与g
i_max
不同时，目标对象和候选对象对应属性类别上的置信度，例如在计算性别
属性时，目标对象是男性的置信度为0.8，是女性的置信度为0.2，则此时q
i_max
表示男性，候选对象是男性的置信度为0.2，是女性的置信度为0.8，则此时g
i_max
表示女性，q
i_max
与g
i_max
不同，那么的值即为候选对象是男性的置信度0.2。
[0115]
根据上述公式分别对性别属性、年龄属性和肤色属性计算它们的减分将三者与初始相似度相加，即得到目标对象与候选对象的相似度。然后按照从大到小的顺序进行排序，排在第一位的候选对象的身份信息即认为是目标对象的身份信息，输出识别结果。
[0116]
实施例8：
[0117]
图3为本发明实施例提供的身份识别装置结构示意图，该装置包括：
[0118]
第一确定模块31，用于确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；
[0119]
第二确定模块32，用于将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；
[0120]
第三确定模块33，用于将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；
[0121]
识别模块34，用于根据所述第二相似度确定所述目标对象是否为所述候选对象。
[0122]
所述第一确定模块31，具体用于将所述待处理视频中的每张图像分别输入训练后的图像分割模型，基于所述图像分割模型确定所述每张图像中所述目标对象的待识别步态轮廓图，根据每个待识别步态轮廓图确定待识别步态轮廓序列；其中，所述图像分割模型是利用标注有步态轮廓位置信息的第一样本图像进行训练得到的；将所述待识别步态轮廓序列输入训练后的步态特征提取模型，基于所述步态特征提取模型确定所述待识别步态轮廓序列对应的待识别步态特征信息；其中，所述步态特征提取模型是利用标注有样本步态特征信息的样本步态轮廓序列进行训练得到的。
[0123]
所述第一确定模块31，具体用于在所述待处理视频中确定待识别图像，将所述待识别图像输入训练后的属性提取模型，基于所述属性提取模型确定所述待识别图像中所述目标对象的待识别属性信息；其中，所述属性提取模型是利用标注有样本对象属性信息的第二样本图像进行训练得到的。
[0124]
所述识别模块34，具体用于若确定所述第二相似度大于预设的第一相似度阈值，则确定所述目标对象为所述候选对象。
[0125]
所述识别模块34，具体用于确定所述目标对象与每个候选对象的第二相似度；选取出确定的各个第二相似度的最大值对应的候选对象；确定所述目标对象为选取出的候选对象。
[0126]
所述识别模块34，具体用于从大于预设的第二相似度阈值的第二相似度中，选取出最大的第二相似度对应的候选对象；确定所述目标对象为选取出的候选对象。
[0127]
所述第三确定模块33，具体用于针对每种待识别属性信息，将该待识别属性信息与特征库中的候选对象的对应的候选属性信息进行匹配，确定该待识别属性信息对应的相似度变化值；根据每种待识别属性信息对应的相似度变化值和预先确定的每种待识别属性
信息对应的权重值，确定所述目标对象与所述候选对象的相似度变化值；根据所述相似度变化值对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度。
[0128]
所述识别模块34，还用于若所述第一相似度大于预设的第三相似度阈值，确定所述目标对象为所述候选对象；若所述第一相似度小于预设的第四相似度阈值，确定所述目标对象不是所述候选对象；若所述第一相似度处于所述预设的第三相似度阈值和预设的第四相似度阈值之间，触发所述第三确定模块；其中，所述预设的第三相似度阈值大于预设的第四相似度阈值。
[0129]
实施例9：
[0130]
在上述各实施例的基础上，本发明实施例中还提供了一种电子设备，如图4所示，包括：处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信；
[0131]
所述存储器303中存储有计算机程序，当所述程序被所述处理器301执行时，使得所述处理器301执行如下步骤：
[0132]
确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；
[0133]
将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；
[0134]
将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；
[0135]
根据所述第二相似度确定所述目标对象是否为所述候选对象。
[0136]
基于同一发明构思，本发明实施例中还提供了一种电子设备，由于上述电子设备解决问题的原理与身份识别方法相似，因此上述电子设备的实施可以参见方法的实施，重复之处不再赘述。
[0137]
本发明实施例提供的电子设备具体可以为桌面计算机、便携式计算机、智能手机、平板电脑、个人数字助理(personal digital assistant，pda)、网络侧设备等。
[0138]
上述电子设备提到的通信总线可以是外设部件互连标准(peripheral component interconnect，pci)总线或扩展工业标准结构(extended industry standard architecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0139]
通信接口302用于上述电子设备与其他设备之间的通信。
[0140]
存储器可以包括随机存取存储器(random access memory，ram)，也可以包括非易失性存储器(non
‑
volatile memory，nvm)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0141]
上述处理器可以是通用处理器，包括中央处理器、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processing，dsp)、专用集成电路、现场可编程门陈列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
[0142]
在本发明实施例中处理器执行存储器上所存放的程序时，实现确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；将所
述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；根据所述第二相似度确定所述目标对象是否为所述候选对象。本发明实施例中，确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息，基于待识别步态特征信息确定目标对象与候选对象的第一相似度，基于待识别属性信息对目标对象与候选对象的第一相似度进行修正，得到第二相似度，进而根据第二相似度进行身份识别。本发明实施例利用待识别属性信息对基于待识别步态特征信息确定的目标对象与候选对象的第一相似度进行修正，根据修正后得到的第二相似度确定目标对象是否为候选对象，提高了对目标对象进行身份识别的准确性。
[0143]
实施例10：
[0144]
在上述各实施例的基础上，本发明实施例还提供了一种计算机存储可读存储介质，所述计算机可读存储介质内存储有可由电子设备执行的计算机程序，当所述程序在所述电子设备上运行时，使得所述电子设备执行时实现如下步骤：
[0145]
确定待处理视频中目标对象的待识别步态特征信息和待识别属性信息；
[0146]
将所述待识别步态特征信息与候选对象的候选步态特征信息进行匹配，确定所述目标对象与所述候选对象的第一相似度；
[0147]
将所述待识别属性信息与所述候选对象的候选属性信息进行匹配，根据匹配结果对所述第一相似度进行修正，确定所述目标对象与所述候选对象的第二相似度；
[0148]
根据所述第二相似度确定所述目标对象是否为所述候选对象。
[0149]
基于同一发明构思，本发明实施例中还提供了一种计算机可读存储介质，由于处理器在执行上述计算机可读存储介质上存储的计算机程序时解决问题的原理与身份识别方法相似，因此处理器在执行上述计算机可读存储介质存储的计算机程序的实施可以参见方法的实施，重复之处不再赘述。
[0150]
上述计算机可读存储介质可以是电子设备中的处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器如软盘、硬盘、磁带、磁光盘(mo)等、光学存储器如cd、dvd、bd、hvd等、以及半导体存储器如rom、eprom、eeprom、非易失性存储器(nand flash)、固态硬盘(ssd)等。
[0151]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0152]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0153]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0154]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0155]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。