(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111640925.9 (22)申请日 2021.12.2 9 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 莫建文　李晋　蔡晓东　陈锦威　 (74)专利代理 机构 北京轻创知识产权代理有限 公司 11212 代理人 尉保芳 (51)Int.Cl. G06V 40/16(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种身份识别方法、 装置以及存 储介质 (57)摘要 本发明提供一种身份识别方法、 装置以及存 储介质， 属于图片识别技术领域， 方法包括： 导入 多个行人图片， 分别对各个行人图片进行人脸识 别得到目标人脸图片； 对多个目标人脸图片进行 隶属度矩阵的构建分析得到隶属度矩阵； 根据隶 属度矩阵对多个目标人脸图片以及多个行人图 片进行划分得到接受域、 拒绝域和不确定域； 分 别对接受域、 拒绝域以及不确定域进行身份识别 分析得到身份识别结果。 本发明能够在不同场景 下的目标采用合适的识别方法， 区别于单一仅采 用人脸或者行人的识别， 对目标身份的识别准确 率有了显著的提升， 能够适用于复杂的现实情 况。 权利要求书3页 说明书7页 附图1页 CN 114387646 A 2022.04.22 CN 114387646 A 1.一种身份识别方法， 其特 征在于， 包括如下步骤： 导入多个行人图片， 分别对各个所述行人图片进行人脸识别， 得到与各个所述行人图 片分别对应的目标 人脸图片； 对多个所述目标 人脸图片进行 隶属度矩阵的构建 分析， 得到隶属度矩阵； 根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人图片进行划分， 得到 接受域、 拒绝 域和不确定域； 分别对所述接受域、 所述拒绝域以及所述不确定域进行身份识别分析， 得到身份识别 结果。 2.根据权利要求1所述的身份识别方法， 其特征在于， 所述分别对各个所述行人图片进 行人脸识别， 得到与各个所述行 人图片分别对应的目标 人脸图片的过程包括： 利用insightface算法分别对各个所述行人图片进行人脸识别， 得到与各个所述行人 图片分别对应的目标 人脸图片。 3.根据权利要求1所述的身份识别方法， 其特征在于， 所述对多个所述目标人脸图片进 行隶属度矩阵的构建 分析， 得到隶属度矩阵的过程包括： 利用卷积神经网络模型分别对各个所述目标人脸图片进行分类处理， 得到与 各个所述 目标人脸图片对应的预测概 率； 根据所有的所述预测概 率构建得到隶属度矩阵。 4.根据权利要求1所述的身份识别方法， 其特征在于， 所述隶属度矩阵包括多个与 所述 目标人脸图片对应的隶属度值， 所述根据所述隶属度 矩阵对多个所述目标人脸图片以及多 个所述行 人图片进行划分， 得到 接受域、 拒绝 域和不确定域的过程包括： 筛选所有隶属度值的最大值， 得到最大 隶属度值； 筛选所有隶属度值的最小值， 得到最小隶属度值； 根据所述最大隶属度值和所述最小隶属度值对多个所述隶属度值进行阈值分析， 得到 目标阈值； 当所述隶属度值小于或等于所述目标阈值 时， 则将与 所述隶属度值对应的行人图片作 为拒绝域图片； 当所述隶属度值大于所述 目标阈值， 且小于所述最大隶属度值与所述 目标 阈值之差时， 则将与所述隶属度值对应的目标人脸图片作为接受域图片； 当所述隶属度值 大于或等于所述最大隶属度值与所述目标阈值之差时， 则将与所述隶属度值对应的行人图 片以及与所述隶属度值对应的目标 人脸图片一并作为 不确定域图片； 集合所有的接受域图片得到接受域， 集合所有的拒绝域图片得到拒绝域， 集合所有的 不确定域图片得到不确定域。 5.根据权利要求4所述的身份识别方法， 其特征在于， 所述根据 所述最大隶属度值和所 述最小隶属度值对多个所述隶属度值进行阈值分析， 得到目标阈值的过程包括： 通过第一式对所述最大隶属度值和所述最小隶属度值进行原始阈值的计算， 得到原始 阈值， 所述第一式为： β ＝pmin+0.5pmax， 其中， β 为原 始阈值， pmin为最小隶属度值， pmax为最大隶属度值； 按照预设幅度值对所述原始阈值进行递减， 直至所述原始阈值等于零， 从而得到多个 递减后的阈值；权　利　要　求　书 1/3 页 2 CN 114387646 A 2通过第二式和多个所述隶属度值分别对所述原始阈值以及各个所述递减后的阈值进 行最优化目标函数的计算， 得到与所述原始阈值或所述递减后的阈值对应的最优化目标函 数， 所述第二式为： Oβ ＝|X1+X2‑X3|， 其中， 其中， Oβ 为最优化 目标函数， pmax为最大隶属度值， pi为第i个目标人脸图片对应的隶属 度值， β'为原始阈值 或递减后的阈值， X1为第一隶属度值之和， X2为第二隶属度值之和， X3为 第三隶属度值之和； 筛选所有最优化目标函数的最大值， 并将筛选后的最优化目标函数对应的原始阈值或 递减后的阈值作为目标阈值。 6.根据权利要求4所述的身份识别方法， 其特征在于， 所述分别对所述接受域、 所述拒 绝域以及所述 不确定域进行识别分析， 得到身份识别结果的过程包括： 基于insightface模型， 通过所述insightface模型分别对所述接受域中的各个所述目 标人脸图片进行接受域的人脸特征提取， 将人脸特征提取后的结果作为第一身份识别结 果； 基于pcb+rpp模型， 通过所述pcb+rpp模型对所述拒绝域中的各个所述行人图片进行拒 绝域的行人特征提取， 将行 人特征提取后的结果作为第二身份识别结果； 对所述不确定域进行身份识别， 得到第三身份识别结果， 并将所述第 一身份识别结果、 所述第二身份识别结果和所述第三身份识别结果 一并作为身份识别结果。 7.根据权利要求6所述的身份识别方法， 其特征在于， 所述对所述不确定域进行身份识 别， 得到第三身份识别结果的过程包括： 通过所述insi ghtface模型分别对所述不确定域 中的各个所述目标人脸图片进行不确 定域的人脸特 征提取， 得到与各个所述目标 人脸图片对应的人脸特 征； 通过所述pcb+rpp模型分别 对所述不确定域中的各个所述行人图片进行行人特征的提 取， 得到与各个所述行 人图片对应的行 人特征； 分别对各个所述人脸特征以及与 各个所述行人图片对应的行人特征进行拼接， 得到与 各个所述行 人图片对应的融合特 征； 利用余弦最小距离算法分别对各个所述融合特征与预设特征库中的待匹配特征进行 匹配， 并将所有匹配结果作为第三身份识别结果。 8.一种身份识别装置， 其特 征在于， 包括： 人脸识别模块， 用于导入多个行人图片， 分别对各个所述行人图片进行人脸识别， 得到 与各个所述行 人图片分别对应的目标 人脸图片； 矩阵构建模块， 用于对多个所述目标人脸图片进行隶属度矩阵的构建分析， 得到隶属 度矩阵； 图片划分模块， 用于根据所述隶属度矩阵对多个所述目标人脸图片以及多个所述行人 图片进行划分， 得到 接受域、 拒绝 域和不确定域； 识别结果获得模块， 用于分别对所述接受域、 所述拒绝域以及所述不确定域进行身份 识别分析， 得到身份识别结果。权　利　要　求　书 2/3 页 3 CN 114387646 A 3