(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 202211317076.8 (22)申请日 2022.10.26 (71)申请人 北京京东乾石科技有限公司 地址 100176 北京市大兴区北京经济技 术 开发区科创十一街18号院2号楼19层 A1905室 (72)发明人 袁梦婷　刘洋　刘雨婷　 (74)专利代理 机构 中国贸促会专利商标事务所 有限公司 1 1038 专利代理师 许蓓　方亮 (51)Int.Cl. G06V 40/10(2022.01) G06V 40/16(2022.01) G06V 20/40(2022.01) G06V 10/74(2022.01)G06V 10/762(2022.01) G06V 10/764(2022.01) (54)发明名称 身份识别方法和装置及存 储介质 (57)摘要 本公开提出一种身份识别方法和装置及存 储介质， 涉及计算机领域。 身份识别方法包括： 获 取数据集， 所述数据集包括多条数据记录， 每条 数据记录包括人员图像的人体特征， 所述人员图 像的人体特征关联或者未关联所述人员图像的 人脸特征； 将关联人脸特征的数据记录选作核心 点， 根据数据记录之间的人体特征的相似度基于 所述核心点进行邻域范围扩展， 并从邻域范围中 删除与所述核心点的人脸特征的相似度不满足 要求的数据记录， 以便将所述数据集划分为各个 簇； 对每个簇标记人员身份。 从而， 实现基于 人脸 特征约束的人体特征密度聚类方法， 降低人体特 征波动和干扰带来的不利影 响， 提高聚类效果和 人员身份识别的准确性。 权利要求书4页 说明书16页 附图5页 CN 115497124 A 2022.12.20 CN 115497124 A 1.一种身份识别方法， 包括： 获取数据集， 所述数据集包括多条数据记录， 每条数据记录包括人员图像的人体特征， 所述人员图像的人体特 征关联或者未关联 所述人员图像的人脸特 征； 将关联人脸特征的数据记录选作核心点， 根据数据记录之间的人体特征的相似度基于 所述核心点进 行邻域范围扩展， 并从邻域范围中删除与所述核心点的人脸特征的相似度不 满足要求的数据记录， 以便将所述数据集划分为各个簇； 对每个簇标记人员身份。 2.根据权利要求1所述的方法， 将所述数据集划分为各个簇包括： 将所述数据集中关联人脸特征且未访问的第 一数据记录选作第 一核心点， 将第 一数据 记录标记为已访问， 根据数据 记录之间的人体特征的相似度基于第一核心 点进行第一邻域 范围扩展， 并从第一邻域范围中删除与第一核心 点的人脸特征的相似度不满足要求的数据 记录， 以得到第一 集合； 从第一集合中选择关联人脸特征且未访问的第 二数据记录作为第 二核心点， 将第 二数 据记录标记为已访问， 根据数据 记录之间的人体特征的相似度基于第二核心 点进行第二邻 域范围扩展， 并从第二邻域范围中删除与第二核心 点的人脸特征的相似度不满足要求的数 据记录， 以得到第二 集合； 将第二集合的数据记录加入到第一 集合， 以得到 簇。 3.根据权利要求1所述的方法， 根据数据记录之间的人体特征的相似度基于所述核心 点进行邻域范围扩展包括： 将与所述核心点的人体特征的相似度满足要求的数据记录加入到所述核心点的邻域 范围。 4.根据权利要求1所述的方法， 其中， 如果邻域范围中的全部数据记录的数量大于或等 于簇的第一 最小点数， 将邻域范围中的全部数据记录归为 一个簇。 5.根据权利要求2所述的方法， 其中： 如果第一邻域范围中的全部数据记录的数量大于或等于簇的第 一最小点数， 将第 一邻 域范围中的全部数据记录归为第一 集合； 如果第二邻域范围中的全部数据记录的数量大于或等于簇的第 一最小点数， 将第 二邻 域范围中的全部数据记录归为第二 集合。 6.根据权利要求 4所述的方法， 还 包括： 针对所述数据集中未归类到簇的第 一数据集， 将所述第 一数据集中的数据记录选作核 心点， 根据所述第一数据集中的数据 记录之间的人体特征的相似度基于所述核心点进 行邻 域范围扩展， 如果邻域范围中的全部数据记录的数量大于或等于簇的第一最小点数， 将邻 域范围中的全部数据记录归为 一个簇。 7.根据权利要求6所述的方法， 还 包括： 针对所述第一数据集中未归类到簇的第二数据集， 设置簇的第二最小点数， 簇的第二 最小点数小于 簇的第一 最小点数； 将所述第二数据集中的关联人脸特征的数据记录选作核心点， 根据所述第 二数据集中 的数据记录之 间的人体特征的相似度基于所述核心 点进行邻域范围扩展， 并从邻域范围中 删除与所述核心点的人脸特 征的相似度不满足要求的数据记录；权　利　要　求　书 1/4 页 2 CN 115497124 A 2如果邻域范围中的全部数据记录的数量大于或等于簇的第 二最小点数， 将邻域范围中 的全部数据记录归为 一个簇。 8.根据权利要求7 所述的方法， 还 包括： 针对所述第 二数据集中未归类到簇的第 三数据集， 将所述第 三数据集中的数据记录选 作核心点， 根据所述第三数据集中的数据 记录之间的人体特征的相似度基于所述核心点进 行邻域范围扩展； 如果邻域范围中的全部数据记录的数量大于或等于簇的第 二最小点数， 将邻域范围中 的全部数据记录归为 一个簇。 9.根据权利要求8所述的方法， 还 包括： 将所述第三数据集中未归类到 簇的每条 数据记录分别归为 一个簇。 10.根据权利要求1所述的方法， 其中， 所述数据集 为存量数据集或增量数据集； 所述方法还 包括： 计算增量数据集中的各个簇与存量数据集中的各个簇之间的距离； 计算增量数据集中的各个簇与存量数据集中的各个簇之间的平均人脸相似度； 根据增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离， 并基于第 一簇与第 二簇之间的平均人脸相似度的约束， 对增量数据集中的第一簇标记人员身份。 11.根据权利要求10所述的方法， 对增量数据集中的第一簇标记人员身份包括： 如果增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离小于距离 阈值、 且平 均人脸相似度大于相似度阈值， 将增量数据集中的第一簇相应的人员身份标记为存量数据 集中的第二簇的人员身份。 12.根据权利要求10所述的方法， 对增量数据集中的第一簇标记人员身份包括： 如果增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离小于距离 阈值、 且平 均人脸相似度不大于相似度阈值， 将增量数据集中的第一簇与存量数据集中的第二簇之间 的距离更新为预设的足够大 的距离值， 用于表征第一簇与第二簇对应不同的人员身份， 将 增量数据集中的第一簇标记为 新的人员身份。 13.一种身份识别方法， 包括： 将存量数据集中的多条数据记录划分为各个簇， 将增量数据集中的多条数据记录划分 为各个簇， 每条 数据记录包括人员图像的特 征； 计算增量数据集中的各个簇与存量数据集中的各个簇之间的距离； 计算增量数据集中的各个簇与存量数据集中的各个簇之间的平均人脸相似度； 根据增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离， 并基于第 一簇与第 二簇之间的平均人脸相似度的约束， 对增量数据集中的第一簇标记人员身份。 14.根据权利要求13所述的方法， 对增量数据集中的第一簇标记人员身份包括： 如果增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离小于距离 阈值、 且平 均人脸相似度大于相似度阈值， 将增量数据集中的第一簇相应的人员身份标记为存量数据 集中的第二簇的人员身份。 15.根据权利要求13所述的方法， 对增量数据集中的第一簇标记人员身份包括： 如果增量数据集中的第 一簇与存量数据集中的第 二簇之间的距离小于距离 阈值、 且平 均人脸相似度不大于相似度阈值， 将增量数据集中的第一簇与存量数据集中的第二簇之间权　利　要　求　书 2/4 页 3 CN 115497124 A 3