1.一种目标身份识别方法,其特征在于,包括如下步骤:
S1:导入多个目标行人图片,分别对各个所述目标行人图片进行人脸检测,得到与各个所述目标行人图片分别对应的目标脸部图片;
S2:分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取,得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征;
S3:构建训练模型,通过所述训练模型对多个所述行人特征以及多个所述人脸特征进行身份识别分析,得到目标身份识别结果;
所述步骤S3的过程包括:
构建全连接神经网络,通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理,得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量;
对多个所述行人证据向量以及多个所述人脸证据向量进行总体意见向量的分析,得到总体意见向量,并将所述总体意见向量作为目标身份识别结果;
所述全连接神经网络包括多个全连接层和与所述全连接层数量对应的RELU激活层,且所述全连接层与所述RELU激活层交替连接;所述构建全连接神经网络,通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理,得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量的过程包括:S311:通过当前全连接层分别对各个所述行人特征以及各个所述人脸特征进行线性映射,得到与各个所述目标行人图片对应的映射后行人特征以及与各个所述目标脸部图片对应的映射后人脸特征;
S312:通过当前RELU激活层分别对各个所述映射后行人特征以及各个所述映射后人脸特征进行非线性映射,并将非线性映射后的结果输入至下一全连接层中,并再次执行步骤S311,直至经过所有的全连接层以及所有的RELU激活层,从而得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量。
2.根据权利要求1所述的目标身份识别方法,其特征在于,所述步骤S1中,分别对各个所述目标行人图片进行人脸检测,得到与各个所述目标行人图片分别对应的目标脸部图片的过程包括:利用MTCNN人脸检测算法分别对各个所述目标行人图片进行人脸检测,得到与各个所述目标行人图片分别对应的目标脸部图片。
3.根据权利要求1所述的目标身份识别方法,其特征在于,所述步骤S2的过程包括:基于PCB+RPP模型分别对各个所述目标行人图片进行行人特征提取,得到与各个所述目标行人图片对应的行人特征;
基于insightface模型分别对各个所述目标脸部图片进行人脸特征提取,得到与各个所述目标脸部图片对应的人脸特征。
4.根据权利要求1所述的目标身份识别方法,其特征在于,每个所述行人证据向量包括多个与待识别目标身份对应的行人证据值,每个所述人脸证据向量包括多个与待识别目标身份对应的人脸证据值,所述对多个所述行人证据向量以及多个所述人脸证据向量进行总体意见向量的分析,得到总体意见向量的过程包括:通过第一式分别将各个所述行人证据值转换为狄利克雷分布,得到与各个所述待识别目标身份对应的行人狄利克雷分布,所述第一式为:其中,为第k个行人证据值,k为第k个待识别目标身份,为第k个行人狄利克雷分布;
通过第二式分别将各个所述人脸证据值转换为狄利克雷分布,得到与各个所述待识别目标身份对应的人脸狄利克雷分布,所述第二式为:其中,为第k个人脸证据值,k为第k个待识别目标身份,为第k个人脸狄利克雷分布;
通过第三式分别对各个所述人脸狄利克雷分布进行置信质量的计算,得到行人狄利克雷强度以及与各个所述待识别目标身份对应的行人置信质量,所述第三式为:其中,
其中,为第k个行人置信质量,为第k个行人狄利克雷分布,为第i个行人狄利克雷分布,i为第i个目标行人图片,S1为行人狄利克雷强度,K为待识别目标身份总数;
通过第四式分别对各个所述人脸狄利克雷分布进行置信质量的计算,得到人脸狄利克雷强度以及与各个所述待识别目标身份对应的人脸置信质量,所述第四式为:其中,
其中,为第k个人脸置信质量,第k个人脸狄利克雷分布,为第i个人脸狄利克雷分布,i为第i个目标人脸图片,S2为人脸狄利克雷强度,K为待识别目标身份总数;
通过第五式对所述行人狄利克雷强度进行不确定度的计算,得到行人不确定度,所述第五式为:其中,u1为行人不确定度,K为待识别目标身份总数,S1为行人狄利克雷强度;
通过第六式分别对所述人脸狄利克雷强度进行不确定度的计算,得到人脸不确定度,所述第六式为:其中,u2为行人不确定度或人脸不确定度,K为待识别目标身份总数,S2为人脸狄利克雷强度;
通过第七式对所有的行人置信质量以及所述行人不确定度进行行人意见向量的构建,得到行人意见向量,所述第七式为:其中,M1为行人意见向量,为第k个行人置信质量,u1为行人不确定度;
通过第八式对所有的人脸置信质量以及所述人脸不确定度进行构建,得到人脸意见向量,所述第八式为:其中,M2为人脸意见向量,为第K个人脸置信质量,u2为人脸不确定度;
通过第九式对所述行人意见向量以及所述人脸意见向量进行总体意见向量的计算,得到总体意见向量,所述第九式为:M=[b1,b2,…,bK,u],
其中,
其中,
其中,M为总体意见向量,i,j∈k,bk为第k个总体置信质量,u为确信程度,为第k个行人置信质量,u1为行人不确定度,为第k个人脸置信质量,u2为人脸不确定度,为比例因子,C为度量和,K为待识别目标身份总数。
5.根据权利要求4所述的目标身份识别方法,其特征在于,所述步骤S3还包括:导入多个与所述待识别目标身份对应的真实值,并通过第十式对所述总体意见向量进行总分布的计算,得到总分布,所述第十式为:α=[α1,α2,…,αK],
其中,
其中,α为总分布,bk为第k个总体置信质量,u为确信程度,K为待识别目标身份总数;
通过第十一式对所述行人狄利克雷强度、所述人脸狄利克雷强度、所述总分布、所有真实值、所有行人狄利克雷分布以及所有人脸狄利克雷分布进行总体损失值的计算,得到总体损失值,所述第十一式为:其中,
其中,
其中,
其中,
其中,Loverall为总体损失值,L(αi)为总意见损失,为行人意见损失,为人脸意见损失,i为第i个目标行人图片或者第i个目标人脸图片,N为目标行人图片或者目标人脸图片总数,K为待识别目标身份总数,k为第k个待识别目标身份,λt为平衡因子,Γ()为gamma函数,Ψ()为digamma函数,⊙为Hadamard积,yk为第k个真实值,S1为行人狄利克雷强度,S2为人脸狄利克雷强度,为第k个行人狄利克雷分布,第k个人脸狄利克雷分布,为参数为αi时狄利克雷分布形成的多项观点,D(p|1)为参数为1时狄利克雷分布形成的多项观点,为参数为时狄利克雷分布形成的多项观点,为参数为时狄利克雷分布形成的多项观点,为相对熵,p为类分配概率;
根据所述总体损失值对所述训练模型进行参数更新,并返回步骤S2,直至达到迭代次数,从而得到目标训练模型。
6.一种目标身份识别装置,其特征在于,包括:
人脸检测模块,用于导入多个目标行人图片,分别对各个所述目标行人图片进行人脸检测,得到与各个所述目标行人图片分别对应的目标脸部图片;
特征提取模块,用于分别对各个所述目标行人图片以及各个所述目标脸部图片进行特征提取,得到与各个所述目标行人图片对应的行人特征以及与各个所述目标脸部图片对应的人脸特征;
身份识别结果获得模块,用于构建训练模型,通过所述训练模型对多个所述行人特征以及多个所述人脸特征进行身份识别分析,得到目标身份识别结果;
所述身份识别结果获得模块具体用于:
构建全连接神经网络,通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理,得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量;
对多个所述行人证据向量以及多个所述人脸证据向量进行总体意见向量的分析,得到总体意见向量,并将所述总体意见向量作为目标身份识别结果;
所述全连接神经网络包括多个全连接层和与所述全连接层数量对应的RELU激活层,且所述全连接层与所述RELU激活层交替连接;所述构建全连接神经网络,通过所述全连接神经网络分别对各个所述行人特征以及各个所述人脸特征进行分类处理,得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量的过程包括:S311:通过当前全连接层分别对各个所述行人特征以及各个所述人脸特征进行线性映射,得到与各个所述目标行人图片对应的映射后行人特征以及与各个所述目标脸部图片对应的映射后人脸特征;
S312:通过当前RELU激活层分别对各个所述映射后行人特征以及各个所述映射后人脸特征进行非线性映射,并将非线性映射后的结果输入至下一全连接层中,并再次执行步骤S311,直至经过所有的全连接层以及所有的RELU激活层,从而得到与各个所述目标行人图片对应的行人证据向量以及与各个所述目标脸部图片对应的人脸证据向量。
7.一种目标身份识别系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,当所述处理器执行所述计算机程序时,实现如权利要求1至5任一项所述的目标身份识别方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时,实现如权利要求1至5任一项所述的目标身份识别方法。