技术特征：
1.一种身份识别方法，其特征在于，所述方法包括：获取包含待识别对象的多个图像；分别对所述多个图像进行特征提取处理，得到各个所述图像的特征信息；基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；根据所述融合特征信息确定所述待识别对象的身份。2.根据权利要求1所述的方法，其特征在于，所述基于所述图像的特征信息，确定所述图像对应的置信度，包括：基于所述图像的特征图和特征向量，确定所述图像对应的置信度；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示。3.根据权利要求2所述的方法，其特征在于，所述基于所述图像的特征图和特征向量，确定所述图像对应的置信度，包括：通过置信度评估网络基于所述图像的特征图和特征向量，在超球面空间中进行置信度评估处理，得到所述图像对应的置信度。4.根据权利要求1所述的方法，其特征在于，所述融合特征信息包括融合特征向量；所述依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息，包括：依据所述多个图像分别对应的置信度，对所述多个图像的特征图进行融合处理，得到融合特征图；将所述融合特征图映射为融合特征向量；其中，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像；或者，依据所述多个图像分别对应的置信度，对所述多个图像的特征向量进行融合处理，得到融合特征向量；其中，所述特征向量是采用特征映射网络对所述图像的特征图进行降维处理后得到的向量表示，所述特征图是采用特征提取网络获得的、包含所述待识别对象的空间结构信息的特征图像。5.根据权利要求1所述的方法，其特征在于，所述依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息，包括：基于所述多个图像分别对应的置信度，确定所述多个图像分别对应的融合权重；基于所述多个图像分别对应的融合权重，对所述多个图像的特征信息进行加权求和处理，得到所述融合特征信息。6.根据权利要求1至5任一项所述的方法，其特征在于，所述方法由身份识别模型实现，所述身份识别模型包括特征提取网络、特征映射网络、置信度评估网络、特征融合单元和身份识别单元；其中，所述特征提取网络用于分别对所述多个图像进行特征提取处理，得到各个所述图像的特征图；
所述特征映射网络用于将所述图像的特征图映射为所述图像的特征向量；所述置信度评估网络用于基于所述图像的特征图和特征向量，确定所述图像对应的置信度；所述特征融合单元用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到所述融合特征信息；其中，所述特征信息包括所述特征图和/或所述特征向量；所述身份识别单元用于根据所述融合特征信息确定所述待识别对象的身份。7.一种身份识别模型的训练方法，其特征在于，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述方法包括：获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取处理，得到所述样本图像的特征信息；基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；生成包括所述置信度评估网络的所述身份识别模型。8.根据权利要求7所述的方法，其特征在于，所述采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练，包括：通过所述置信度评估网络基于所述身份的样本图像的特征信息进行置信度评估处理，得到所述身份的样本图像的置信度；基于所述身份的中心特征信息、所述身份的多个样本图像的特征信息和所述身份的多个样本图像的置信度，确定所述置信度评估网络的损失函数；基于所述损失函数，对所述置信度评估网络的参数进行调整。9.根据权利要求7所述的方法，其特征在于，所述基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息，包括：从所述身份的多个样本图像中选择多个标准图像；基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个标准图像进行特征提取处理，获取所述多个标准图像的特征信息；对所述多个标准图像的特征信息进行求平均处理，得到所述身份的中心特征信息；或者，基于训练完成后的所述特征提取网络和所述特征映射网络，对所述身份的多个样本图像进行特征提取处理，获取所述多个样本图像的特征信息；确定所述多个样本图像的特征信息的分类权重；选择分类权重最大的特征信息作为所述身份的中心特征信息；其中，所述分类权重用于指示所述样本图像的特征信息与所述身份之间的接近程度，所述分类权重与所述接近程度之间呈正比。10.根据权利要求7所述的方法，其特征在于，所述基于训练完成后的所述特征提取网
络和所述特征映射网络，对所述样本图像进行特征提取处理，得到所述样本图像的特征信息，包括：采用训练完成后的所述特征提取网络，对所述样本图像进行特征提取处理，得到所述样本图像的特征图，所述特征图包括所述样本图像包含的样本对象的空间结构信息；采用训练完成后的所述特征映射网络，将所述样本图像的特征图映射为所述样本图像的特征向量；其中，所述特征信息包括所述样本图像的特征图和所述样本图像的特征向量。11.根据权利要求7至10任一项所述的方法，其特征在于，所述身份识别模型还包括：特征融合单元和身份识别单元；其中，所述特征融合单元用于依据多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；其中，所述特征信息包括特征图和/或特征向量；所述身份识别单元用于根据所述融合特征信息确定所述多个图像包含的待识别对象的身份。12.一种身份识别装置，其特征在于，所述装置包括：图像获取模块，用于获取包含待识别对象的多个图像；特征提取模块，用于分别对所述多个图像进行特征提取处理，得到各个所述图像的特征信息；置信度确定模块，用于基于所述图像的特征信息，确定所述图像对应的置信度；其中，所述置信度用于指示所述图像在针对所述待识别对象的身份识别过程中的可靠程度；特征融合模块，用于依据所述多个图像分别对应的置信度，对所述多个图像的特征信息进行融合处理，得到融合特征信息；身份识别模块，用于根据所述融合特征信息确定所述待识别对象的身份。13.一种身份识别模型的训练装置，其特征在于，所述身份识别模型包括特征提取网络、特征映射网络和置信度评估网络，所述装置包括：样本获取模块，用于获取训练样本集，所述训练样本集包括至少一种身份的样本图像集，每种身份的样本图像集包括多个样本图像；特征获取模块，用于基于训练完成后的所述特征提取网络和所述特征映射网络，对所述样本图像进行特征提取处理，得到所述样本图像的特征信息；信息获取模块，用于基于所述身份的多个样本图像的特征信息，得到所述身份的中心特征信息；网络训练模块，用于采用所述身份的中心特征信息和所述身份的多个样本图像的特征信息，对所述置信度评估网络进行训练；其中，所述置信度评估网络用于基于待识别对象的多个图像的特征信息确定各个所述图像对应的置信度，各个所述图像对应的置信度用于融合各个所述图像的特征信息以确定所述待识别对象的身份；模型生成模块，用于生成包括所述置信度评估网络的所述身份识别模型。14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法，或实现如权利要求7至11任一项所述的身份识别模型的训练方法。
15.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一项所述的身份识别方法，或实现如权利要求7至11任一项所述的身份识别模型的训练方法。
技术总结
本申请公开了一种身份识别方法、装置、设备及存储介质，属于人工智能技术领域。所述方法包括：获取包含待识别对象的多个图像；分别对多个图像进行特征提取处理，得到各个图像的特征信息；基于图像的特征信息，确定图像对应的置信度；依据多个图像分别对应的置信度，对个图像的特征信息进行融合处理，得到融合特征信息；根据所述合特征信息确定待识别对象的身份。本申请能够保证身份识别的准确度，避免单张图像质量差造成的身份识别不准确，特征融合方式简便，有利于提高身份识别效率。有利于提高身份识别效率。有利于提高身份识别效率。
技术研发人员：许剑清 沈鹏程 李绍欣
受保护的技术使用者：腾讯科技（深圳）有限公司
技术研发日：2021.12.29
技术公布日：2022/8/11