(19)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 202210552507.2 (22)申请日 2022.05.20 (71)申请人 深圳市联洲国际技 术有限公司 地址 518000 广东省深圳市南 山区高新 技 术园区科发路1号 富利臻大厦5楼 (72)发明人 黄迪臻　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 周春枚 (51)Int.Cl. G06V 40/40(2022.01) G06V 10/74(2022.01) G06V 10/82(2022.01) G06V 10/46(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 目标活体的识别方法及其装置、 计算机可读 存储介质 (57)摘要 本发明公开了一种目标活体的识别方法及 其装置、 计算机可读存储介质。 其中， 该方法包 括： 利用第一神经网络获取目标活体的位置信 息； 基于位置信息并利用第二神经网络获取目标 活体的活体关键点信息； 基于活体 关键点信息获 取目标活体的分值向量， 并将数据库中的历史分 值向量与分值向量进行处理， 获取相似度， 且基 于相似度， 获取目标活体的识别结果， 其中， 分值 向量为用于对目标活体的活体关键点信息进行 描述而产生的向量， 识别结果用于表征是否已成 功识别目标活体。 本发明解决了针对相关技术中 针对视觉识别活体时的特征提取不全面导致识 别不够准确的技 术问题。 权利要求书2页 说明书8页 附图1页 CN 114999003 A 2022.09.02 CN 114999003 A 1.一种目标活体的识别方法， 其特 征在于， 包括： 利用第一神经网络获取目标活体的位置信息， 其中， 所述第一神经网络为使用多组第 一训练数据通过机器学习训练得到的， 所述多组第一训练数据中的每一组第一训练数据均 包括： 目标活体的历史位置信息； 基于所述位置信息并利用第二神经网络获取目标活体的活体关键点信息， 其中， 所述 第二神经网络为使用多组第二训练数据通过机器学习训练得到的， 所述多组第二训练数据 中的每一组第二训练数据均包括： 目标活体的历史 活体关键点信息； 基于所述活体关键点信 息获取目标活体的分值向量， 并将数据库中的历史分值向量与 所述分值向量进 行处理， 获取相似度， 且基于所述相似度， 获取目标 活体的识别结果， 其中， 所述分值向量为用于对所述目标 活体的活体关键点信息进 行描述而产生的向量， 所述识别 结果用于表征 是否已成功 识别所述目标活体。 2.根据权利要求1所述的方法， 其特征在于， 所述活体关键点信息至少包括： 活体五官 的位置信息以及活体关节点的位置信息 。 3.根据权利要求1所述的方法， 其特征在于， 所述分值向量包括： 亮度质量分值、 清晰度 分值、 遮挡程度分值以及 姿态分值， 其中， 所述亮度质量分值为基于所述目标 活体所在区域 的亮度质量 获取到的向量， 所述清晰度分值为基于采集到的所述目标活体的图像的图片清 晰度所获取到的向量， 所述遮挡程度分值为基于所述目标活体被干扰物遮挡的遮挡程度获 取到的向量， 所述姿态分值 为基于所述目标活体的当前姿态来获取到的向量。 4.根据权利要求1所述的方法， 其特征在于， 将数据库中的历史分值向量与 所述分值向 量进行处 理之前， 所述方法还 包括： 利用第三神经网络获取第一特 征向量； 将所述分值向量进行 标准化处理， 获取第一分值向量； 对历史特 征向量进行处 理， 获取与所述历史特 征向量对应的所述历史分值向量。 5.根据权利要求4所述的方法， 其特征在于， 利用第三神经网络获取第一特征向量， 包 括： 基于所述 位置信息通过 所述第三神经网络获取 所述目标活体的原 始特征信息； 将所述原 始特征信息进行 标准化处理， 获取所述第一特 征向量。 6.根据权利要求4所述的方法， 其特征在于， 将数据库中的历史分值向量与 所述分值向 量进行处 理， 获取相似度， 包括： 基于第一特征向量、 第一分值向量、 历史特征向量以及历史分值向量利用第二公式获 取所述相似度， 其中， 所述第二公式为： S为所述相似度， F1为所述第一分值向量， F2为所述历史分值向量， W 1为所述第一特征向量， W2 为所述历史特 征向量。 7.根据权利要求1所述的方法， 其特征在于， 基于所述相似度， 获取目标活体的识别结 果， 包括： 将所述相似度与预设阈值进行比对， 获取相似度大于预设阈值的比对结果； 选取相似度大于预设阈值的比对结果中所述相似度的数值最高的比对结果为所述目 标活体的识别结果。权　利　要　求　书 1/2 页 2 CN 114999003 A 28.一种目标活体的识别装置， 其特 征在于， 包括： 第一获取模块， 用于利用第 一神经网络获取目标活体的位置信 息， 其中， 所述第 一神经 网络为使用多组第一训练数据通过机器学习训练得到的， 所述多组第一训练数据中的每一 组第一训练数据均包括： 目标活体的历史位置信息； 第二获取模块， 用于基于所述位置信 息并利用第 二神经网络获取目标活体的活体关键 点信息， 其中， 所述第二神经网络为使用多组第二训练数据通过机器学习训练得到的， 所述 多组第二训练数据中的每一组第二训练数据均包括： 目标活体的历史 活体关键点信息； 第一处理模块， 用于基于所述活体关键点信息获取目标活体的分值向量， 并将数据库 中的历史分值向量与所述分值向量进 行处理， 获取相似度， 且基于所述相似度， 获取目标 活 体的识别结果， 其中， 所述分值向量为用于对所述 目标活体的活体关键点信息进行描述而 产生的向量， 所述识别结果用于表征 是否已成功 识别所述目标活体。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质包括存储的计算 机程序， 其中， 在所述计算机程序被处理器运行时控制所述计算机可读存储介质所在设备 执行上述权利要求1至7中任一项所述的目标活体的识别方法。 10.一种处理器， 其特征在于， 所述处理器用于运行计算机程序， 其中， 所述计算机程序 运行时执 行上述权利要求1至7中任一项所述的目标活体的识别方法。权　利　要　求　书 2/2 页 3 CN 114999003 A 3