基于考场的身份识别方法、装置、电子设备及存储介质与流程

1.本发明涉及图像处理技术领域，尤其涉及一种基于考场的身份识别方法、装置、电子设备及存储介质。


背景技术：

2.近年来，随着时代的进步和科学技术的发展，社会对各方面的人才要求也越来越高，这使得各种考试的难度也越来越大，考生的压力也随之激增。在许多考试中出现了危害公众利益、影响考试真实性和有效性的替考现象，在高校考试中这种情况更是屡见不鲜。
3.因此，如何加强身份验证的准确率，保证考试的公平公正，实现考试的真正目的已经成为目前亟待解决的技术问题。


技术实现要素：

4.针对现有技术的不足，本发明提供了一种基于考场的身份识别方法、装置、电子设备及存储介质，极大的提高了考生身份验证的准确率，实现了考试的公平公正。
5.为解决上述问题，第一方面，本发明实施例提供了一种基于考场的身份识别方法，其包括：
6.获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；
7.对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；
8.若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；
9.对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；
10.根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
11.第二方面，本发明实施例还提供了一种基于考场的身份识别装置，其包括：
12.第一获取单元，用于获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；
13.第一检测单元，用于对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；
14.第二获取单元，用于若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；
15.第一图像处理单元，用于对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；
16.第一识别单元，用于根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
17.第三方面，本发明实施例又提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于考场的身份识别方法。
18.第四方面，本发明实施例还提供了一种计算机可读存储介质，其中所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于考场的身份识别方法。
19.本发明实施例提供了一种基于考场的身份识别方法、装置、电子设备及存储介质，该方法通过获取鱼眼摄像头在考场中拍摄的第一鱼眼图像，并对第一鱼眼图像进行目标检测以得到目标对象的人脸信息；若人脸信息与目标对象相匹配，获取鱼眼摄像头在考场中拍摄的第二鱼眼图像，并对第二鱼眼图像进行处理以得到目标对象的身份信息，进而通过身份信息进一步对目标对象进行身份识别，以确定身份信息与目标对象是否匹配，极大的提高了考生身份验证的准确率，实现了考试的公平公正。
附图说明
20.为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
21.图1为本发明实施例提供的基于考场的身份识别方法的流程示意图；
22.图2为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
23.图3为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
24.图4为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
25.图5为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
26.图6为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
27.图7为本发明实施例提供的基于考场的身份识别方法的另一流程示意图；
28.图8为本发明实施例提供的基于考场的身份识别装置的示意图；
29.图9为本发明实施例提供的电子设备的示意性框图。
具体实施方式
30.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
32.还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
33.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
34.请参阅图1，图1为本发明实施例提供的基于考场的身份识别方法的流程示意图。本发明实施例的所述的基于考场的身份识别方法应用于终端设备中，该方法通过安装于终
端设备中的应用软件进行执行。其中，终端设备可以为台式电脑、笔记本电脑、平板电脑、手机等。
35.需要说明的是，下述本技术实施例描述的应用场景是为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
36.下面对所述的基于考场的身份识别方法进行详细说明。
37.如图1所示，该方法包括以下步骤s110～s150。
38.s110、获取鱼眼摄像头在考场中拍摄的第一鱼眼图像。
39.具体的，第一鱼眼图像包括目标对象人脸的图像，目标对象为考场中的考生，通过获取考场中的鱼眼摄像头拍摄的第一鱼眼图像，并从第一鱼眼图像中获取目标对象的人脸，进而便可以实现对考场中的考生进行身份识别。
40.s120、对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
41.在本实施例中，在对第一鱼眼图像进行目标检测时，可以采用深度学习技术获取第一鱼眼图像中目标对象的人脸信息，进而便可以实现对考场中的考生进行身份识别。
42.在其他发明实施例中，如图2所示，步骤s120包括步骤s121以及s122。
43.s121、根据预置的鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像；
44.s122、对矫正后的所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
45.在本实施例中，由于鱼眼摄像头成像原理的特点，导致鱼眼摄像头在考场中拍摄到的第一鱼眼图像会存在较大的图像畸变，故在对第一鱼眼图像进行目标检测之前，还需要对第一鱼眼图像进行畸变矫正，进而可以准确的检测出第一鱼眼图像中目标对象的人脸信息。
46.在其他发明实施例中，如图3所示，在步骤s120之前，还包括步骤s210、s220以及s230。
47.s210、获取预先训练好的生成式对抗网络；其中，所述生成式对抗网络包括判别器和生成器；
48.s220、根据所述生成器构建所述鱼眼图像矫正模型；其中，所述生成器作为教师模型，所述鱼眼图像矫正模型作为学生模型；
49.s230、根据所述生成器对所述鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的鱼眼图像矫正模型。
50.在本实施例中，生成式对抗网络预先通过图像样本训练得到，并用于对出现畸变的图像进行矫正。其中，预先训练好的生成式对抗网络包括判别器和生成器，生成器可以用于对发生畸变的图像进行矫正。然而，生成器的参数量较大，导致设备的运算量较大。因此，为了提高设备的运算速度，在获取到预先训练好的生成式对抗网络后，将生成式对抗网络中的生成器作为教师模型来构建鱼眼校正模型的学生模型。
51.其中，教师模型为单个复杂网络或者是若干网络的集合且拥有良好的性能和泛化能力的模型，学生模型为网络规模较小且表达能力有限的模型，教师模型的学习能力强，可以将其学到的知识迁移给学习能力相对弱的学生模型，以此来增强学生模型的泛化能力。
本技术通过利用教师模型来辅助学生模型的训练，使得学生模型具有与教师模型相当的性能，但是参数数量大幅降低，从而实现模型压缩与加速。
52.在采用生成器构建鱼眼图像矫正模型的过程中，可以对生成器进行剪枝、参数共享等方式来构建鱼眼图像矫正模型，并采用生成器来辅助鱼眼图像矫正模型进行训练，从而实现将生成器学到的知识迁移至鱼眼图像矫正模型中，进而使得蒸馏后的鱼眼图像矫正模型具备与生成器一样的图像矫正的功能。
53.在一些实施例中，采用生成器构建鱼眼图像矫正模型，具体包括以下步骤：对生成器进行网络参数修剪，得到中间鱼眼图像矫正模型；对中间鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的中间鱼眼图像矫正模型；对蒸馏后的中间鱼眼图像矫正模型进行网络参数修剪，得到最终的鱼眼图像矫正模型。
54.在本实施例中，中间鱼眼图像矫正模型同样也为生成器的学生模型，只是中间鱼眼图像矫正模型的网络参数仍然较大，故在对中间鱼眼图像矫正模型进行知识蒸馏后，还需要对中间鱼眼图像矫正模型进行至少一次的参数修剪，直至最终的鱼眼图像矫正模型的参数量达到最小化。
55.需要说明的是，在对蒸馏后的中间鱼眼图像矫正模型进行网络参数修剪的过程中，还可以得到参数量不同的图像矫正模型，然后再次进行行蒸馏和修剪，直至最终修剪后的鱼眼图像矫正模型的参数量达到最小化。
56.其中，在对生成器进行参数修剪前，需要单独构建生成器的网络结构，并加载生成器的权重，进而便可以实现将生成器从生成式对抗网络中剥离。其中，生成器的参数修剪的数量与生成器的最小功能单元相关。同时，在对生成器进行参数修剪时，可以以生成器中的基础单元为单位进行修剪。例如，生成器的网络结构为resnet时，则可以以resblock为单位进行修剪。
57.在另外一些实施例中，中间鱼眼图像矫正模型m
′g训练完成后，可以采用预设的测试样本集来对中间鱼眼图像矫正模型m
′g进行测试，以计算出训练完成后的中间鱼眼图像矫正模型m
′g在测试样本集中的第一准确度同时采用该样本集对生成器mg进行测试，以计算出生成器mg在测试样本集中的第二准确度然后计算第一准确度与第二准确度之间的差值δacc是否大于预设的第一阈值thr，若大于预设的第一阈值thr，则可以直接将中间鱼眼图像矫正模型作为最终的鱼眼图像矫正模型。其中，上述判断公式为：
[0058][0059]
当s＝1时，则可以停止修剪和训练，取上一次修剪后的中间鱼眼图像模型作为最终的鱼眼图像矫正模型。
[0060]
在一些实施例中，采用生成器对鱼眼图像矫正模型进行知识蒸馏的具体步骤可以包括：获取生成器输出的第一预测值以及鱼眼图像矫正模型输出的第二预测值；根据第一预测值、第二预测值确定蒸馏后的鱼眼图像矫正模型。
[0061]
在本实施例中，采用生成器对鱼眼图像矫正模型进行知识蒸馏时，具体可以将训练图像以及畸变后的训练图像组成的第一图像样本集输入至生成器中以对鱼眼图像模型
进行训练，同时输出第二预测值，并从生成器中获取对应的预测值，也就是第一预测值，然后通过第一预测值和第二预测值之间的偏差来确定鱼眼图像矫正模型是否完成知识蒸馏。
[0062]
具体的，通过获取t时刻的第一预测值和第二预测值，并根据第一预测值和第二预测值生成预测值的偏差，并判断该偏差是否大于设定的第二阈值，若大于设定的第二阈值，则取t-1时刻的鱼眼图像矫正模型作为最终知识蒸馏后的鱼眼图像矫正模型。
[0063]
在其他发明实施例中，如图4所示，在s210之前，还包括步骤s310以及s320。
[0064]
s310、采用鱼眼相机的内参数、畸变系数对训练图像进行处理，得到畸变后的所述训练图像；
[0065]
s320、根据所述训练图像、畸变后的所述训练图像对所述生成式对抗网络进行训练，得到训练后的所述生成式对抗网络。
[0066]
具体的，训练图像为未发生畸变的高分辨率图像，畸变后的训练图像可以通过鱼眼相机的内参数、畸变系数构成的畸变映射关系进行转换得到，训练图像以及畸变后的训练图像作为训练生成式对抗网络的第一图像样本集，畸变后的训练图像作为生成式对抗网络的输入，训练图像作为训练生成式对抗网络的标签。
[0067]
其中，鱼眼相机的内参数、畸变系数可以通过对鱼眼相机采用棋盘标定法来获取，具体可以采用鱼眼相机从多个角度和位置拍摄标定用的棋盘格，并用鱼眼标定算法计算出内参数和畸变系数；内参数的矩阵k可以为：
[0068][0069]
畸变系数的向量d可以为：
[0070]
d＝(k1,k2,k3,k4)
[0071]
其中，f
x
、fy为焦距的参数，c
x
、cy为图像原点相对于光心成像点的纵横偏移量，k1、k2、k3、k4为相机的径向和横向的畸变系数。
[0072]
在一些实施例中，生成畸变后的训练图像的具体过程包括：
[0073]
采用k、d计算校正后的相机内参矩阵r；其中，r＝fe(k,d)；
[0074]
使用奇异值对相机内参矩阵r进行分解以得到r的逆矩阵ir；其中，ir＝svd(r)；
[0075]
根据逆矩阵ir将训练图像的二维坐标(u，v)转换至相机坐标系(x，y，z)；其中，(x，y，z)＝(u，v，1)*ir；
[0076]
在z轴上进行归一化处理，即
[0077]
计算鱼眼半球截面半径r；其中，
[0078]
计算光线与光轴的入射夹角θ；其中，θ＝atan(r)；
[0079]
对入射夹角θ进行校正，以得到校正后的入射夹角θd；其中，θd＝θ(1+k1θ2+k2θ4+k3θ6+k4θ8)；
[0080]
根据校正后的入射夹角生成校正后的相机坐标系坐标(x
′
，y
′
)；其中，
[0081]
将相机坐标系转换成像素坐标系(u
′
，v
′
)，即(u
′
，v
′
)为畸变后的训练图像二维坐
标；其中，u
′
＝f
x
x
′
+c
x
，v
′
＝fyy
′
+cy。
[0082]
在一些实施例中，采用训练图像、畸变后的训练图像对生成式对抗网络进行训练的具体过程包括：将畸变后的训练图像输入至生成器中，得到伪非畸变图像；根据训练图像、伪非畸变图像构建第二图像样本集；根据第二图像样本集对判别器进行训练，得到训练后的判别器；根据畸变后的训练图像对生成器进行训练，得到训练后的生成器。
[0083]
在本实施例中，伪非畸变图像通过生成器对畸变后的训练图像进行矫正处理得到，第二图像样本集由训练图像、伪非畸变图像组成并用于对判别器进行训练，以便于判别器能够更好的区分伪图像和真实图像。
[0084]
另外，在判别器完成训练后，将判别器进行固定，并将畸变后的训练图像输入至生成器中以对生成器进行训练，进而使得生成器生成的图像能够让判别器无法区分其为伪图像，进而便可以得到完成训练后的生成器。
[0085]
在其他发明实施例中，如图5所示，步骤s120包括步骤s1201以及s1202。
[0086]
s1201、确定所述目标对象人脸的多个关键点；
[0087]
s1202、根据所述关键点在所述第一鱼眼图像中进行特征提取，得到所述人脸信息。
[0088]
具体的，关键点为构建目标对象的人脸的要素，目标对象的人脸由多个关键点组成，如眼睛、鼻子、嘴巴、耳朵等部位的关键点，第一鱼眼图像中存在构建目标对象的人脸所有的关键点，在第一鱼眼图像中确定目标对象人脸的关键点之后，便可以通过关键点在第一鱼眼图像中进行特征提取，进而得到目标对象的人脸信息。
[0089]
其中，在确定目标对象人脸的多个关键点时，可以将第一鱼眼图像转化为灰度图像，并利用高斯差分算法对灰度图像进行处理，得到第一鱼眼图像中每个像素点的dog值，然后基于dog值，获取第一鱼眼图像中目标对象人脸的多个关键点。
[0090]
另外，在采用关键点在第一鱼眼图像中进行特征提取的过程中，可以将第一鱼眼图像分割成多个图像块，然后将关键点分别与每个图像块进行匹配，得到与关键点对应的图像块，之后对与关键点对应的图像块进行特征提取，便可以得到第一鱼眼图像中目标对象的人脸信息。其中，图像块的特征提取可以采用初始的策略梯度网络来执行，初始的策略梯度网络可以包括unet网络和transformer网络，unet结构的卷积神经网络能够更好地融合低分辨率语义信息和高分辨率空间信息的特征图。
[0091]
s130、若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像。
[0092]
具体的，在提取到第一鱼眼图像中目标对象的人脸信息之后，将提取到的人脸信息与内部系统中采集到的人脸信息进行匹配，具体可以通过计算两者之间的相似度来确定目标对象是否为该考场中的考生，从而便可以实现对目标对象的身份识别。同时，为了进一步提高目标对象的身份识别的准确性，在确认第一鱼眼图像中目标对象为该考场中的考生之后，还需要通过鱼眼摄像头再次在考场中拍摄目标对象的身份证件的图像，也就是本技术提及到的第二鱼眼图像，通过第二鱼眼图像再次对考场中目标对象进行身份识别，进而可以进一步提高目标对象身份识别的准确性。
[0093]
s140、对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息。
[0094]
具体的，由于考生在进行考试所采用的身份证件可以为身份证，也可以为户口本
证件，还可以为临时身份证件，故在获取到鱼眼摄像机在考场中拍摄到的第二鱼眼图像后，可以预先对第二鱼眼图像进行分类识别，以确定拍摄到的第二鱼眼图像中目标对象的身份证件的类型，然后根据对应的类型来获取第二鱼眼图像中目标对象的身份信息，进而实现再次对目标对象进行身份识别。
[0095]
在其他发明实施例中，如图6所示，步骤s140包括s141以及s142。
[0096]
s141、根据所述鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第二鱼眼图像；
[0097]
s142、对矫正后的所述第二鱼眼图像进行文字识别，得到所述目标对象的身份信息。
[0098]
具体的，由于第二鱼眼图像同样也为发生畸变的图像，故也需要对第二鱼眼图像进行畸变矫正，对第二鱼眼图像进行畸变矫正的模型可以采用本技术提及到的鱼眼图像矫正模型，也可以采用其他图像矫正模型，具体可以根据实际应用进行选择。
[0099]
在本实施例中，通过采用ocr识别技术从第二鱼眼图像中识别出目标对象的身份证件中姓名、身份证号、出生年月以及户籍地址等信息，然后将上述信息与内部系统中采集到的信息进行匹配，以确定该身份证件是否为目标对象的身份证件，从而便可以实现对目标对象的身份识别。
[0100]
s150、根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
[0101]
在本实施例中，身份信息包括目标对象的姓名、身份证号、出生年月以及户籍地址等信息，通过判断身份信息与内部系统中采集到的信息是否完全一致，以进一步确定目标对象是否为该考场中的考生，进而进一步提高考场身份识别的准确度。
[0102]
在其他发明实施例中，如图7所示，在步骤s150之后，还包括步骤s160以及s170。
[0103]
s160、若所述第二鱼眼图像中存在所述目标对象的身份证件，对矫正后的所述第二鱼眼图像进行目标检测，得到所述第二鱼眼图像中所述目标对象的人脸信息；
[0104]
s170、根据所述第二鱼眼图像中所述目标对象的人脸信息对所述目标对象进行身份识别，以确定所述第二鱼眼图像中所述目标对象的人脸信息与所述目标对象是否匹配。
[0105]
在本实施例中，由于第二鱼眼图像中目标对象的身份证件大多数为身份证或临时身份证，而身份证或临时身份证中存在目标对象的人脸信息，为了进一步提高考场中考生身份识别的准确性，本技术从第二鱼眼图像中识别出目标对象的身份证件中的文字信息后，还可以从身份证件中识别出目标对象的人脸信息，并与步骤s120中识别出的人脸信息以及内部系统中采集的人脸信息进行匹配，从而可以更加准确的实现考场中考生的身份识别。
[0106]
在本发明实施例所提供的基于考场的身份识别方法中，通过获取鱼眼摄像头在考场中拍摄的第一鱼眼图像，并对第一鱼眼图像进行目标检测以得到目标对象的人脸信息；若人脸信息与目标对象相匹配，获取鱼眼摄像头在考场中拍摄的第二鱼眼图像，并对第二鱼眼图像进行处理以得到目标对象的身份信息，进而通过身份信息进一步对目标对象进行身份识别，以确定身份信息与目标对象是否匹配，极大的提高了考生身份验证的准确率，实现了考试的公平公正。
[0107]
本发明实施例还提供了一种基于考场的身份识别装置100，该装置用于执行前述
基于考场的身份识别方法的任一实施例。
[0108]
具体地，请参阅图8，图8是本发明实施例提供的基于考场的身份识别装置100的示意性框图。
[0109]
如图8所示，所述的基于考场的身份识别装置100，该装置包括：第一获取单元110、第一检测单元120、第二获取单元130、第一图像处理单元140和第一识别单元150。
[0110]
第一获取单元110，用于获取鱼眼摄像头在考场中拍摄的第一鱼眼图像。
[0111]
第一检测单元120，用于对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
[0112]
在其他发明实施例中，第一检测单元120包括：第一矫正单元以及第二检测单元。
[0113]
第一矫正单元，用于根据预置的鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像；第二检测单元，用于对矫正后的所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
[0114]
在其他发明实施例中，所述的基于考场的身份识别装置100还包括：第三获取单元、构建单元以及蒸馏单元。
[0115]
第三获取单元，用于获取预先训练好的生成式对抗网络；其中，所述生成式对抗网络包括判别器和生成器；构建单元，用于根据所述生成器构建所述鱼眼图像矫正模型；其中，所述生成器作为教师模型，所述鱼眼图像矫正模型作为学生模型；蒸馏单元，用于根据所述生成器对所述鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的鱼眼图像矫正模型。
[0116]
在其他发明实施例中，所述的基于考场的身份识别装置100还包括：第二图像处理单元以及训练单元。
[0117]
第二图像处理单元，用于采用鱼眼相机的内参数、畸变系数对训练图像进行处理，得到畸变后的所述训练图像；训练单元，用于根据所述训练图像、畸变后的所述训练图像对所述生成式对抗网络进行训练，得到训练后的所述生成式对抗网络。
[0118]
在其他发明实施例中，第一检测单元120包括：确定单元以及和提取单元。
[0119]
确定单元，用于确定所述目标对象人脸的多个关键点；提取单元，用于根据所述关键点在所述第一鱼眼图像中进行特征提取，得到所述人脸信息。
[0120]
第二获取单元130，用于若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像。
[0121]
第一图像处理单元140，用于对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息。
[0122]
在其他发明实施例中，第一图像处理单元140包括：第二矫正单元以及文字识别单元。
[0123]
第二矫正单元，用于根据所述鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第二鱼眼图像；文字识别单元，用于对矫正后的所述第二鱼眼图像进行文字识别，得到所述目标对象的身份信息。
[0124]
第一识别单元150，用于根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
[0125]
在其他发明实施例中，所述的基于考场的身份识别装置100还包括：第三检测单元以及第二识别单元。
[0126]
第三检测单元，用于若所述第二鱼眼图像中存在所述目标对象的身份证件，对矫正后的所述第二鱼眼图像进行目标检测，得到所述第二鱼眼图像中所述目标对象的人脸信息；第二识别单元，根据所述第二鱼眼图像中所述目标对象的人脸信息对所述目标对象进行身份识别，以确定所述第二鱼眼图像中所述目标对象的人脸信息与所述目标对象是否匹配。
[0127]
本发明实施例所提供的基于考场的身份识别装置100用于执行上述获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
[0128]
需要说明的是，所属领域的技术人员可以清楚地了解到，上述基于考场的身份识别装置100和各单元的具体实现过程，可以参考前述方法实施例中的相应描述，为了描述的方便和简洁，在此不再赘述。
[0129]
上述基于考场的身份识别装置可以实现为一种计算机程序的形式，该计算机程序可以在如图9所示的电子设备上运行。
[0130]
请参阅图9，图9是本发明实施例提供的电子设备的示意性框图。
[0131]
参阅图9，该设备500包括通过系统总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
[0132]
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行基于考场的身份识别方法。
[0133]
该处理器502用于提供计算和控制能力，支撑整个设备500的运行。
[0134]
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行基于考场的身份识别方法。
[0135]
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图9中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的设备500的限定，具体的设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0136]
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现如下功能：获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
[0137]
在一实施例中，处理器502在实现所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息时，具体还实现如下步骤：根据预置的鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像；对矫正后的所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
[0138]
在一实施例中，处理器502在实现所述根据预置的图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像之前，具体还实现如下步骤：获取预先
训练好的生成式对抗网络；其中，所述生成式对抗网络包括判别器和生成器；根据所述生成器构建所述鱼眼图像矫正模型；其中，所述生成器作为教师模型，所述鱼眼图像矫正模型作为学生模型；根据所述生成器对所述鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的鱼眼图像矫正模型。
[0139]
在一实施例中，处理器502在实现所述获取预先训练好的生成式对抗网络之前，具体还实现如下步骤：采用鱼眼相机的内参数、畸变系数对训练图像进行处理，得到畸变后的所述训练图像；根据所述训练图像、畸变后的所述训练图像对所述生成式对抗网络进行训练，得到训练后的所述生成式对抗网络。
[0140]
在一实施例中，处理器502在实现所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息时，具体还实现如下步骤：确定所述目标对象人脸的多个关键点；根据所述关键点在所述第一鱼眼图像中进行特征提取，得到所述人脸信息。
[0141]
在一实施例中，处理器502在实现所述对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息时，具体还实现如下步骤：根据所述鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第二鱼眼图像；对矫正后的所述第二鱼眼图像进行文字识别，得到所述目标对象的身份信息。
[0142]
在一实施例中，处理器502在实现所述根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配之后，具体还实现如下步骤：若所述第二鱼眼图像中存在所述目标对象的身份证件，对矫正后的所述第二鱼眼图像进行目标检测，得到所述第二鱼眼图像中所述目标对象的人脸信息；根据所述第二鱼眼图像中所述目标对象的人脸信息对所述目标对象进行身份识别，以确定所述第二鱼眼图像中所述目标对象的人脸信息与所述目标对象是否匹配。
[0143]
本领域技术人员可以理解，图9中示出的设备500的实施例并不构成对设备500具体构成的限定，在其他实施例中，设备500可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，设备500可以仅包括存储器及处理器502，在这样的实施例中，存储器及处理器502的结构及功能与图9所示实施例一致，在此不再赘述。
[0144]
应当理解，在本发明实施例中，处理器502可以是中央处理单元(central processing unit，cpu)，该处理器502还可以是其他通用处理器502、数字信号处理器502(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器502可以是微处理器502或者该处理器502也可以是任何常规的处理器502等。
[0145]
在本发明的另一实施例中提供计算机存储介质。该存储介质可以为非易失性的计算机可读存储介质，也可以是易失性的存储介质。该存储介质存储有计算机程序5032，其中计算机程序5032被处理器502执行时实现以下步骤：获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。
[0146]
在一实施例中，所述处理器在执行所述程序指令而实现所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息时，具体还实现如下步骤：根据预置的鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像；对矫正后的所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。
[0147]
在一实施例中，所述处理器在执行所述程序指令而实现所述根据预置的图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像之前，具体还实现如下步骤：获取预先训练好的生成式对抗网络；其中，所述生成式对抗网络包括判别器和生成器；根据所述生成器构建所述鱼眼图像矫正模型；其中，所述生成器作为教师模型，所述鱼眼图像矫正模型作为学生模型；根据所述生成器对所述鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的鱼眼图像矫正模型。
[0148]
在一实施例中，所述处理器在执行所述程序指令而实现所述获取预先训练好的生成式对抗网络之前，具体还实现如下步骤：采用鱼眼相机的内参数、畸变系数对训练图像进行处理，得到畸变后的所述训练图像；根据所述训练图像、畸变后的所述训练图像对所述生成式对抗网络进行训练，得到训练后的所述生成式对抗网络。
[0149]
在一实施例中，所述处理器在执行所述程序指令而实现所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息时，具体还实现如下步骤：确定所述目标对象人脸的多个关键点；根据所述关键点在所述第一鱼眼图像中进行特征提取，得到所述人脸信息。
[0150]
在一实施例中，所述处理器在执行所述程序指令而实现所述对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息时，具体还实现如下步骤：根据所述鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第二鱼眼图像；对矫正后的所述第二鱼眼图像进行文字识别，得到所述目标对象的身份信息。
[0151]
在一实施例中，所述处理器在执行所述程序指令而实现所述根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配之后，具体还实现如下步骤：若所述第二鱼眼图像中存在所述目标对象的身份证件，对矫正后的所述第二鱼眼图像进行目标检测，得到所述第二鱼眼图像中所述目标对象的人脸信息；根据所述第二鱼眼图像中所述目标对象的人脸信息对所述目标对象进行身份识别，以确定所述第二鱼眼图像中所述目标对象的人脸信息与所述目标对象是否匹配。
[0152]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0153]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些
特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
[0154]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0155]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0156]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台设备500(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于考场的身份识别方法，其特征在于，包括：获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。2.根据权利要求1所述的基于考场的身份识别方法，其特征在于，所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息，包括：根据预置的鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像；对矫正后的所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息。3.根据权利要求2所述的基于考场的身份识别方法，其特征在于，在所述根据预置的图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第一鱼眼图像之前，还包括：获取预先训练好的生成式对抗网络；其中，所述生成式对抗网络包括判别器和生成器；根据所述生成器构建所述鱼眼图像矫正模型；其中，所述生成器作为教师模型，所述鱼眼图像矫正模型作为学生模型；根据所述生成器对所述鱼眼图像矫正模型进行知识蒸馏，得到蒸馏后的鱼眼图像矫正模型。4.根据权利要求2所述的基于考场的身份识别方法，其特征在于，在所述获取预先训练好的生成式对抗网络之前，还包括：采用鱼眼相机的内参数、畸变系数对训练图像进行处理，得到畸变后的所述训练图像；根据所述训练图像、畸变后的所述训练图像对所述生成式对抗网络进行训练，得到训练后的所述生成式对抗网络。5.根据权利要求1所述的基于考场的身份识别方法，其特征在于，所述对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息，包括：确定所述目标对象人脸的多个关键点；根据所述关键点在所述第一鱼眼图像中进行特征提取，得到所述人脸信息。6.根据权利要求2所述的基于考场的身份识别方法，其特征在于，所述对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息，包括：根据所述鱼眼图像矫正模型对所述第一鱼眼图像进行畸变矫正，得到矫正后的所述第二鱼眼图像；对矫正后的所述第二鱼眼图像进行文字识别，得到所述目标对象的身份信息。7.根据权利要求6所述的基于考场的身份识别方法，其特征在于，在所述根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配之后，还包括：若所述第二鱼眼图像中存在所述目标对象的身份证件，对矫正后的所述第二鱼眼图像
进行目标检测，得到所述第二鱼眼图像中所述目标对象的人脸信息；根据所述第二鱼眼图像中所述目标对象的人脸信息对所述目标对象进行身份识别，以确定所述第二鱼眼图像中所述目标对象的人脸信息与所述目标对象是否匹配。8.一种基于考场的身份识别装置，其特征在于，包括：第一获取单元，用于获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；第一检测单元，用于对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；第二获取单元，用于若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；第一图像处理单元，用于对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；第一识别单元，用于根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于考场的身份识别方法。10.一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存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如权利要求1至7任一项所述的基于考场的身份识别方法。

技术总结
本发明实施例公开了一种基于考场的身份识别方法、装置、电子设备及存储介质，该方法包括：获取鱼眼摄像头在考场中拍摄的第一鱼眼图像；对所述第一鱼眼图像进行目标检测，得到目标对象的人脸信息；若所述人脸信息与所述目标对象相匹配，获取所述鱼眼摄像头在所述考场中拍摄的第二鱼眼图像；对所述第二鱼眼图像进行处理，得到所述目标对象的身份信息；根据所述身份信息对所述目标对象进行身份识别，以确定所述身份信息与所述目标对象是否匹配，进而极大的提高了考生身份验证的准确率，保证了考试的公平公正，实现了考试的真正目的。实现了考试的真正目的。实现了考试的真正目的。


技术研发人员：陈浩
受保护的技术使用者：湖北易康思科技有限公司
技术研发日：2023.04.06
技术公布日：2023/7/21