一种身份识别方法、装置、设备及可读存储介质与流程

1.本发明涉及身份识别技术领域，特别涉及一种身份识别方法、装置、设备及可读存储介质。


背景技术：

2.为了加强建筑施工现场的安全监管工作，越来越多的施工单位开始引入智能安全监控系统，通过监控摄像头和智能分析对施工现场进行安全监控，例如：捕获未佩戴安全帽、未穿反光衣等安全事件；但是，站在施工单位的角度，更希望通过智能安全监控系统能够知道到底是谁在发生安全事件；然而识别工人的身份信息是一个非常困难的问题。
3.在现有技术中，通常采用行人重识别reid模型来进行工人身份识别，该方案主要是通过训练深度学习模型来学习人的外观特征信息，再通过信息比对的方式获取工人的身份信息。此外，也有方案通过借助传感器来解决身份识别问题，工人或挂或佩戴电子标签，在每个需要管理的位置设置数据读取装置，以当工人经过其识别范围时，数据读取装置将读取的电子标签信息上传给控制终端，以供该控制终端通过电子标签信息判断工人的身份信息。另外，在其他场景下，也有通过人脸识别进行身份判定的方案。
4.但是，上述三种方案在建筑施工场景中都有非常明显的缺陷；首先，对于reid模型方案，模型学习到的是外观特征信息，但在真实的建筑施工场景中，工人大多着装比较统一、且体型较为接近，因此从外观的角度上看，工人之间并不存在很大的区分度，reid模型基本无法应用；其次，对于传感器方案，该方案需要硬件支持，有比较高的部署成本，并且传感器受距离条件限制，适用于5-10米的场景，但在建筑施工场景中通常面临远距离、大作业面的场景，因此不管是从部署的角度还是从应用的角度上看，该方案都存在着很大的弊端；最后，对于人脸识别方案，同样不适合建筑施工场景，由于工人大多是佩戴安全帽进行作业的，并且工地的摄像头大多是架设在高处，有明显的俯仰角，因此人脸在绝大多数情况下是不可见的，从而使得该方案也基本没有可行性。
5.综上，在建筑施工场景中如何有效、准确的识别出工人的身份信息成为本领域技术人员亟需解决的技术问题。


技术实现要素：

6.本发明的目的在于提供一种身份识别方法、装置、设备及可读存储介质，能够大大提高身份识别的准确度并大幅降低身份识别任务的难度。
7.根据本发明的一个方面，提供了一种身份识别方法，所述方法包括：
8.获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面；
9.从所述目标帧画面中截取出工人所在的人像区域；
10.从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco标记中识别出目标数字编号；
11.从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述
目标关联记录中的目标工人身份信息发送至预设终端。
12.可选的，在所述获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面之前，所述方法还包括：
13.获取工人进入所述施工现场的入场信息；其中，所述入场信息包括：工人人脸信息和位于工人服饰上的aruco标记；
14.从所述数据库中获取与所述工人人脸信息关联的工人身份信息；
15.从所述入场信息中的aruco标记中识别出数字编号；
16.从所述数据库中删除包含所述数字编号的历史关联记录，并将所述工人身份信息和所述数字编号作为一条新的关联记录存储到所述数据库中。
17.可选的，所述从所述目标帧画面中截取出工人所在的人像区域，包括：
18.利用目标检测算法在所述目标帧画面中绘制出用于标示工人所在区域的标示框；
19.获取所述标示框的位置信息；其中，所述位置信息包括：所述标示框中心点的横纵坐标、所述标示框的宽度和所述标示框的高度；
20.利用所述位置信息从所述目标帧画面中截取出工人所在的人像区域。
21.可选的，所述利用目标检测算法在所述目标帧画面中绘制出用于标示工人所在区域的标示框，包括：
22.按照预设的n种缩放比例，将所述目标帧画面缩放处理为n种不同尺寸大小的特征图；
23.分别为每种尺寸大小的特征图设置m种不同尺寸大小的锚框；
24.通过卷积操作计算目标特征图中每个像素点在目标锚框下的六维特征信息；其中，所述六维特征信息包括：像素点属于背景的概率p、像素点属于工人的概率q、标示框中心点的横向偏移量x、标示框中心点的纵向偏移量y、标示框的宽度系数w和标示框的高度系数h；
25.将所述像素点属于工人的概率q大于预设阈值的像素点设置为所述目标特征图在所述目标锚框下的目标像素点；
26.根据所述目标像素点在所述目标特征图中的位置信息、所述目标特征图所对应的缩放比例、所述目标锚框的尺寸大小和所述目标像素点的六维特征信息，在所述目标帧画面中绘制出用于标示工人所在区域的标示框。
27.可选的，所述获取所述标示框的位置信息；其中，所述位置信息包括：所述标示框中心点的横纵坐标、所述标示框的宽度和所述标示框的高度，包括：
28.根据所述目标像素点在所述目标特征图中的位置信息，按照所述目标特征图所对应的缩放比例，计算出所述目标像素点在所述目标帧画面中对应的真实像素点的位置信息；
29.将所述目标像素点的六维特征信息中的x乘以所述缩放比例以得到真实横向偏移量，并将所述目标像素点的六维特征信息中的y乘以所述缩放比例以得到真实纵向偏移量；
30.在所述目标帧画面中将所述真实像素点的位置信息按照所述真实横向偏移量和所述真实纵向偏移量进行偏移，以得到所述标示框中心点的横纵坐标；
31.将所述目标像素点的六维特征信息中的w乘以所述目标锚框的宽度尺寸以得到所述标示框的宽度，并将所述目标像素点的六维特征信息中的h乘以所述目标锚框的高度尺
寸以得到所述标示框的高度。
32.可选的，所述从所述人像区域中识别出位于工人服饰上的目标aruco标记，包括：
33.对所述人像区域进行二值化操作，以将所述人像区域转化为黑白图像；
34.利用边缘轮廓检测算法从所述黑白图像中提取出候选轮廓框；
35.从所述候选轮廓框中筛选出四边形的候选轮廓框以作为目标轮廓框；
36.对所述目标轮廓框进行仿射变换操作以得到正方形的轮廓框，并将所述正方形的轮廓框作为所述目标aruco标记。
37.可选的，所述从所述目标aruco标记中识别出目标数字编号，包括：
38.将所述目标aruco标记划分为a
×
a的网格，并统计每个网格单元的黑白色占比；其中，a为正整数；
39.将黑色占比高的网格单元用0表示以及将白色占比高的网格单元用1表示，以确定出与所述目标aruco标记对应的二进制编码结果；
40.从预设的映射表中查找与所述二进制编码结果对应的所述目标数字编号。
41.为了实现上述目的，本发明还提供一种身份识别装置，所述装置具体包括以下组成部分：
42.提取模块，用于获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面；
43.截取模块，用于从所述目标帧画面中截取出工人所在的人像区域；
44.识别模块，用于从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco标记中识别出目标数字编号；
45.处理模块，用于从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述目标关联记录中的目标工人身份信息发送至预设终端。
46.为了实现上述目的，本发明还提供一种计算机设备，该计算机设备具体包括：存储器、处理器以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，所述处理器执行所述计算机程序时实现上述介绍的身份识别方法的步骤。
47.为了实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述介绍的身份识别方法的步骤。
48.本发明提供的身份识别方法、装置、设备及可读存储介质，通过印刷在工人服饰上的aruco标记来对工人的身份进行识别，大大提高了身份识别的准确度并大幅降低了识别任务的难度，能够从根本上解决建筑施工场景的工人身份识别问题。本发明具有可动态更新、部署难度低、识别准确率高的优点；在本发明中，只需印刷有aruco标记的反光衣即可解决身份识别的问题，对其他硬件无任何依赖，相比传感器方案具有成本低的优势；本发明所采用的aruco标记识别方案鲁棒性高，对数据无特殊需求，而reid模型需要大量标记后训练样本进行学习，并且模型受环境和图像特征影响很大；除此之外，本发明提出的是一套端到端的身份识别方式，能够无缝接入到现有任何工地管理系统当中，具有普适性、易迁移的优点。
附图说明
49.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通
技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
50.图1为实施例一提供的身份识别方法的一种可选的流程示意图；
51.图2(a)为实施例一中的将aruco标记印刷在安全反光衣正面的示意图；
52.图2(b)为实施例一中的将aruco标记印刷在安全反光衣背面的示意图；
53.图3为实施例一中的网格化后的aruco标记的示意图；
54.图4为实施例二提供的身份识别装置的一种可选的组成结构示意图；
55.图5为实施例三提供的计算机设备的一种可选的硬件架构示意图。
具体实施方式
56.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
57.实施例一
58.本发明实施例提供了一种身份识别方法，如图1所示，该方法具体包括以下步骤：
59.步骤s101：获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面。
60.具体的，在步骤s101之前，所述方法还包括：
61.步骤a1：获取工人进入所述施工现场的入场信息；其中，所述入场信息包括：工人人脸信息和位于工人服饰上的aruco标记；
62.在本实施例中采用aruco(augmented reality from university of cordoba，科尔多瓦大学增强现实库)标记以作为特征增强的手段；aruco标记类似于二维码，采用的是一种将数字信息编码到图片中的方式；aruco标记是一个背景(底色)为黑色的正方形，且位于正方形内有白色图像，该白色图案用来表示aruco标记的唯一性；aruco标记可以用图像来编码1至999的数字，且通过图像编码识别算法即可得到aruco标记中的数字编号；aruco标记具有方向无关的特点，是一种健壮、执行速度快、识别准确率高的标记方式。如图2(a)、图2(b)所示，在本实施例中将aruco标记印刷在安全反光衣的正面和背面，并在aruco标记旁印刷有对应的数字标号。还需要说明的是，在实际应用中，也可以将aruco标记印刷在工人佩戴的安全帽和/或穿戴的其他服装上。
63.现有中的aruco标记通常应用于定位场景中，并没有应用到身份识别中。在本实施例中，只需将aruco标记印刷到工人穿戴的服饰上即可解决身份识别的问题。
64.步骤a2：从预设的数据库中获取与所述工人人脸信息关联的工人身份信息；
65.在本实施例中事先采集每个工人的人脸信息和身份信息；其中，所述工人身份信息至少包括：姓名、身份证号、手机号、所属单位、住址；由于工人人脸信息和工人身份信息相对固定不变，因此，可事先将每个工人的工人人脸信息和工人身份信息关联的存储到预设的数据库中。
66.步骤a3：从所述入场信息中的aruco标记中识别出数字编号；
67.由于可利用现有的图像编码识别算法从aruco标记中识别出数字编号，故如何从aruco标记中识别出数字编号的过程在此不再赘述。
68.步骤a4：从所述数据库中删除包含所述数字编号的历史关联记录，并将所述工人身份信息和所述数字编号作为一条新的关联记录存储到所述数据库中。
69.由于在建筑施工场景中，会存在工人混穿安全反光衣、随机佩戴安全帽的情况，从而导致工人与aruco标记(数字编号)并不会具有一一对应关系；因此，在本实施例中需要在工人每次通过闸机进入施工现场时，均需要重新获取工人人脸信息和位于工人服饰上的aruco标记，并识别出该aruco标记中的数字编号，从而重新建立与该工人人脸信息关联的工人身份信息与该数字编号的对应关系。因此，在本实施例中会在预设的数据库中不断的更新数字编号与工人身份信息的关联关系。
70.进一步的，所述从所述监控视频中提取出目标帧画面，具体包括：
71.对所述监控视频进行视频解码，并按设定时间间隔从视频解码后的监控视频中提取出目标帧画面；其中，所述目标帧画面为rgb三通道画面。
72.例如：目标帧画面为3*1080*1920的画面，其中，3为通道数目、1080*1920为画面的像素信息。
73.在本实施例中，当在施工现场发生安全事件且需要识别出引发安全事件的工人身份时，可通过安装在施工现场的摄像头获取监控视频，并从监控视频中提取出目标帧画面，以从该目标帧画面中识别出工人的身份信息。
74.步骤s102：从所述目标帧画面中截取出工人所在的人像区域。
75.具体的，步骤s102，包括：
76.步骤b1：利用目标检测算法在所述目标帧画面中绘制出用于标示工人所在区域的标示框；
77.优选的，本实施例中的目标检测算法采用yolov5(you only look once version5)模型；yolov5模型具有预测速度快、检测精度高的特点；通过采用大量真实施工场景数据对yolov5模型进行微调(finetune)，从而保证了yolov5模型在建筑施工场景中的效果和泛化性。
78.步骤b2：获取所述标示框的位置信息；其中，所述位置信息包括：所述标示框中心点的横纵坐标、所述标示框的宽度和所述标示框的高度；
79.步骤b3：利用所述位置信息从所述目标帧画面中截取出工人所在的人像区域。
80.进一步的，步骤b1，具体包括：
81.步骤b11：按照预设的n种缩放比例，将所述目标帧画面缩放处理为n种不同尺寸大小的特征图；其中，n为正整数。
82.在实际应用中，由于模型的输入尺寸要固定，因此在模型计算前需要先对目标帧画面进行resize操作，以将所述目标帧画面的尺寸修改为3*608*352；相较常用的正方形图像输入，本实施例采用矩形图像(608*352)作为输入，采用这种输入尺寸能够适应建筑施工场景中监控视频流数据的长短边比例，保证原始图像信息最大限度的保留，同时相比正方形输入(608*608)矩形尺寸还能大幅度减少计算开销，提高模型推理速度。此外，还会对目标帧画面进行归一化操作，即将每个像素点值进行减均值并除标准差的操作，从而使得数据具有0中心数据分布的特定，便于模型在训练阶段有效收敛。之后，再通过堆叠卷积层和池化层操作，对目标帧画面进行学习，以将输入为3*608*352的目标帧画面处理为尺寸大小分别为128*152*88、256*76*44、512*38*22的三个特征图(c*w*h，c为通道数、w为宽度、h为
高度)。在本实施例中，相较于常用的8、16、32倍下采样，本实施例针对建筑施工场景中目标较小的特点，增大特征图尺寸，对目标帧画面进行4倍、8倍、16倍下采样，从而使得模型对图像细节特征有更好的关注，提高小目标的预测效果。即，在本实施例中，按照4倍、8倍、16倍的缩小比例，将所述目标帧画面缩放处理为152*88、76*44、38*22的三个特征图。
83.由于不同尺寸大小的特征图学习到了不同程度的图像特征信息，为了充分利用图像特征信息，让大尺寸的特征图同时也能学习到小尺寸的特征图所包含的图像特征信息，从而将不同尺寸大小的特征图的图像特征信息进行充分融合。优选的，通过2倍上采样的方式将原16倍下采样的特征图还原到8倍下采样的特征图，并通过按位相加的方式将还原到8倍下采样的特征图与原8倍下采样的特征图进行合并，从而使得原8倍下采样的特征图中包含了原16倍下采样的特征图中的图像特征信息；相同的，通过2倍上采样的方式将原8倍下采样的特征图还原到4倍下采样的特征图，并通过按位相加的方式将还原到4倍下采样的特征图与原4倍下采样的特征图进行合并，从而使得原4倍下采样的特征图中包含了原8倍下采样的特征图中的图像特征信息；而对于原16倍下采样的特征图，不进行融合。
84.步骤b12：分别为每种尺寸大小的特征图设置m种不同尺寸大小的锚框；其中，m为正整数。
85.优选的，为尺寸大小为128*152*88的特征图设置尺寸大小分别为10*20、15*30、25*50的三个锚框；为尺寸大小为256*76*44的特征图设置尺寸大小分别为30*60、50*50、60*100的三个锚框；为尺寸大小为512*38*22的特征图设置尺寸大小分别为100*100、150*200、300*300的三个锚框。
86.步骤b13：通过卷积操作计算目标特征图中每个像素点在目标锚框下的六维特征信息；其中，所述六维特征信息包括：像素点属于背景的概率p、像素点属于工人的概率q、标示框中心点的横向偏移量x、标示框中心点的纵向偏移量y、标示框的宽度系数w和标示框的高度系数h。
87.步骤b14：将所述像素点属于工人的概率q大于预设阈值的像素点设置为所述目标特征图在所述目标锚框下的目标像素点。
88.步骤b15：根据所述目标像素点在所述目标特征图中的位置信息、所述目标特征图所对应的缩放比例、所述目标锚框的尺寸大小和所述目标像素点的六维特征信息，在所述目标帧画面中绘制出用于标示工人所在区域的标示框。
89.由于在本实施例中分别为每种尺寸大小的特征图均设置了多个尺寸大小的锚框，因此最终会在目标帧画面中存在多个不同尺寸大小的标示框；为了减少标示框的数量，在步骤b1之后，所述方法还包括：
90.根据所述目标帧画面中的每个标示框对应的素点属于工人的概率q，按照由大到小对所有标示框进行排序得到结果序列；
91.从所述结果序列中的第一个标示框开始，依次判断第(d 1)个标示框与第d个标示框的交并比是否大于0.5，若是，则将第(d 1)个标示框删除，若否，则继续判断。
92.进一步的，步骤b2，具体包括：
93.步骤b21：根据所述目标像素点在所述目标特征图中的位置信息，按照所述目标特征图所对应的缩放比例，计算出所述目标像素点在所述目标帧画面中对应的真实像素点的位置信息；
94.步骤b22：将所述目标像素点的六维特征信息中的x乘以所述缩放比例以得到真实横向偏移量，并将所述目标像素点的六维特征信息中的y乘以所述缩放比例以得到真实纵向偏移量；
95.步骤b23：在所述目标帧画面中将所述真实像素点的位置信息按照所述真实横向偏移量和所述真实纵向偏移量进行偏移，以得到所述标示框中心点的横纵坐标；
96.步骤b24：将所述目标像素点的六维特征信息中的w乘以所述目标锚框的宽度尺寸以得到所述标示框的宽度，并将所述目标像素点的六维特征信息中的h乘以所述目标锚框的高度尺寸以得到所述标示框的高度。
97.例如，针对尺寸大小为152*88的目标特征图，所述目标特征图的缩放比例为4，当锚框的尺寸大小为10*20，且位置信息为(10,10)的目标像素点的六维特征信息为(p＝0.1,q＝0.9,x＝0.5,y＝-0.3,w＝1.2,h＝1.5)时，根据所述目标像素点的位置信息(10,10)和所述目标特征图所对应的缩放比例4，确定出所述目标像素点在目标帧画面中的真实像素点的位置信息为(40,40)；标示框中心点的真实横向偏移量为0.5*4＝2，标示框中心点的真实纵向偏移量为-0.3*4＝-1.2；因此，所述标示框中心点的横纵坐标＝(40 2,40-1.2)＝(42,38.8)；此外，所述标示框的宽度＝1.2*10＝12，所述标示框的高度＝1.5*20＝30。
98.步骤s103：从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco标记中识别出目标数字编号。
99.具体的，所述从所述人像区域中识别出位于工人服饰上的目标aruco标记，包括：
100.步骤c1：对所述人像区域进行二值化操作，以将所述人像区域转化为黑白图像；
101.步骤c2：利用边缘轮廓检测算法从所述黑白图像中提取出候选轮廓框；
102.由于aruco标记的边缘会有明显的黑白颜色变化，因此通过边缘轮廓检测算法可从黑白图像中找到局部区域亮度变化明显的区域，从而得到候选轮廓框；
103.步骤c3：从所述候选轮廓框中筛选出四边形的候选轮廓框以作为目标轮廓框；
104.在本实施例中并不会把通过边缘轮廓检测算法得到的所有候选轮廓框作为aruco标记，而会通过滤波的方式对候选轮廓框进行筛选；通过对所有候选轮廓框进行多边形近似，并剔除掉多边形近似结果不为四边形的候选轮廓框，即只将多边形近似结果为四边形的候选轮廓框作为目标轮廓框；在本实施例中目标轮廓框为正方形、矩形、平行四边形或梯形；
105.步骤c4：对所述目标轮廓框进行仿射变换操作以得到正方形的轮廓框，并将所述正方形的轮廓框作为所述目标aruco标记；
106.在本实施例中，为了能够更好的识别出aruco标记中的数字编号，会根据目标轮廓框的四个顶点进行仿射变换操作，以将矩形、平行四边形、梯形的目标轮廓框变换为正方形。
107.还需要说明的是，当从一个工人的服饰上识别出多个正方形的轮廓框时，将最大尺寸的正方形的轮廓框作为目标aruco标记；为了提高识别准确度，若正方形的轮廓框的尺寸小于预设阈值时，则不将该正方形的轮廓框作为目标aruco标记。
108.进一步的，所述从所述目标aruco标记中识别出目标数字编号，具体包括：
109.步骤d1：将所述目标aruco标记划分为a
×
a的网格，并统计每个网格单元的黑白色占比；其中，a为正整数；
110.优选的，a的值取8，即将目标aruco标记划分为8
×
8的网格，共得到64个网格单元；
111.步骤d2：将黑色占比高的网格单元用0表示以及将白色占比高的网格单元用1表示，以确定出与所述目标aruco标记对应的二进制编码结果；
112.在本实施例中，会将仿射变换后的正方形轮廓进行网格划分，并在每个网格单元内统计黑白色占比，并根据占比高者确定出网格单元的比特位；
113.由于aruco标记的最外圈均为黑色，因此为了减少冗余信息，仅根据所述目标aruco标记中间的(a-2)
×
(a-2)的网格的黑白色占比确定出(a-2)
×
(a-2)位的二进制编码结果；以a的值取8为例，去掉位于所述目标aruco标记的最外层的网格，仅通过中心的6
×
6的网格确定出36位的二进制编码结果；例如，如图3所示的目标aruco标记的的二进制编码结果为：100110100011000001000111110011011110。
114.步骤d3：从预设的映射表中查找与所述二进制编码结果对应的所述目标数字编号。
115.在本实施例中，预先会在映射表中记录每个数字编号所对应的二进制编码结果，因此当从aruco标记中提取出二进制编码结果时，即可获取关联的数字编号。
116.步骤s104：从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述目标关联记录中的目标工人身份信息发送至预设终端。
117.在实际应用中还可将所述人像区域与所述目标工人身份信息一同发送至预设终端；由于在安全反光衣上还印刷有与aruco标记对应的数字编号，因此可供工作人员通过安全反光衣上印刷的数字编号进行结果验证。
118.与现有技术相比，本实施例所提出的利用aruco标记进行建筑工人的身份识别的方法，具有可动态更新、部署难度低、识别准确率高的优点；在本实施例中，只需印刷有aruco标记的反光衣即可解决身份识别的问题，对其他硬件无任何依赖，相比传感器方案具有成本低的优势；本实施例所采用的aruco标记识别方案鲁棒性高，对数据无特殊需求，而reid模型需要大量标记后训练样本进行学习，并且模型受环境和图像特征影响很大；除此之外，本实施例提出的是一套端到端的身份识别方式，能够无缝接入到现有任何工地管理系统当中，具有普适性、易迁移的优点。
119.实施例二
120.本发明实施例提供了一种身份识别装置，如图4所示，该装置具体包括以下组成部分：
121.提取模块401，用于获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面；
122.截取模块402，用于从所述目标帧画面中截取出工人所在的人像区域；
123.识别模块403，用于从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco标记中识别出目标数字编号；
124.处理模块404，用于从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述目标关联记录中的目标工人身份信息发送至预设终端。
125.具体的，所述装置还包括：
126.记录模块，用于获取工人进入所述施工现场的入场信息；其中，所述入场信息包括：工人人脸信息和位于工人服饰上的aruco标记；从所述数据库中获取与所述工人人脸信
息关联的工人身份信息；从所述入场信息中的aruco标记中识别出数字编号；从所述数据库中删除包含所述数字编号的历史关联记录，并将所述工人身份信息和所述数字编号作为一条新的关联记录存储到所述数据库中。
127.进一步的，截取模块402，具体包括：
128.绘制单元，用于利用目标检测算法在所述目标帧画面中绘制出用于标示工人所在区域的标示框；
129.获取单元，用于获取所述标示框的位置信息；其中，所述位置信息包括：所述标示框中心点的横纵坐标、所述标示框的宽度和所述标示框的高度；
130.截取单元，用于利用所述位置信息从所述目标帧画面中截取出工人所在的人像区域。
131.更进一步的，所述绘制单元，具体用于：
132.按照预设的n种缩放比例，将所述目标帧画面缩放处理为n种不同尺寸大小的特征图；分别为每种尺寸大小的特征图设置m种不同尺寸大小的锚框；通过卷积操作计算目标特征图中每个像素点在目标锚框下的六维特征信息；其中，所述六维特征信息包括：像素点属于背景的概率p、像素点属于工人的概率q、标示框中心点的横向偏移量x、标示框中心点的纵向偏移量y、标示框的宽度系数w和标示框的高度系数h；将所述像素点属于工人的概率q大于预设阈值的像素点设置为所述目标特征图在所述目标锚框下的目标像素点；根据所述目标像素点在所述目标特征图中的位置信息、所述目标特征图所对应的缩放比例、所述目标锚框的尺寸大小和所述目标像素点的六维特征信息，在所述目标帧画面中绘制出用于标示工人所在区域的标示框。
133.更进一步的，所述获取单元，具体用于：
134.根据所述目标像素点在所述目标特征图中的位置信息，按照所述目标特征图所对应的缩放比例，计算出所述目标像素点在所述目标帧画面中对应的真实像素点的位置信息；将所述目标像素点的六维特征信息中的x乘以所述缩放比例以得到真实横向偏移量，并将所述目标像素点的六维特征信息中的y乘以所述缩放比例以得到真实纵向偏移量；在所述目标帧画面中将所述真实像素点的位置信息按照所述真实横向偏移量和所述真实纵向偏移量进行偏移，以得到所述标示框中心点的横纵坐标；将所述目标像素点的六维特征信息中的w乘以所述目标锚框的宽度尺寸以得到所述标示框的宽度，并将所述目标像素点的六维特征信息中的h乘以所述目标锚框的高度尺寸以得到所述标示框的高度。
135.进一步的，处理模块404，具体用于：
136.对所述人像区域进行二值化操作，以将所述人像区域转化为黑白图像；利用边缘轮廓检测算法从所述黑白图像中提取出候选轮廓框；从所述候选轮廓框中筛选出四边形的候选轮廓框以作为目标轮廓框；对所述目标轮廓框进行仿射变换操作以得到正方形的轮廓框，并将所述正方形的轮廓框作为所述目标aruco标记。
137.更进一步的，处理模块404，还用于：
138.将所述目标aruco标记划分为a
×
a的网格，并统计每个网格单元的黑白色占比；其中，a为正整数；将黑色占比高的网格单元用0表示以及将白色占比高的网格单元用1表示，以确定出与所述目标aruco标记对应的二进制编码结果；从预设的映射表中查找与所述二进制编码结果对应的所述目标数字编号。
139.实施例三
140.本实施例还提供一种计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。如图5所示，本实施例的计算机设备50至少包括但不限于：可通过系统总线相互通信连接的存储器501、处理器502。需要指出的是，图5仅示出了具有组件501-502的计算机设备50，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
141.本实施例中，存储器501(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器501可以是计算机设备50的内部存储单元，例如该计算机设备50的硬盘或内存。在另一些实施例中，存储器501也可以是计算机设备50的外部存储设备，例如该计算机设备50上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器501还可以既包括计算机设备50的内部存储单元也包括其外部存储设备。在本实施例中，存储器501通常用于存储安装于计算机设备50的操作系统和各类应用软件。此外，存储器501还可以用于暂时地存储已经输出或者将要输出的各类数据。
142.处理器502在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器502通常用于控制计算机设备50的总体操作。
143.具体的，在本实施例中，处理器502用于执行存储器501中存储的身份识别方法的程序，所述身份识别方法的程序被执行时实现如下步骤：
144.获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面；
145.从所述目标帧画面中截取出工人所在的人像区域；
146.从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco标记中识别出目标数字编号；
147.从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述目标关联记录中的目标工人身份信息发送至预设终端。
148.上述方法步骤的具体实施例过程可参见第一实施例，本实施例在此不再重复赘述。
149.实施例四
150.本实施例还提供一种计算机可读存储介质，如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘、服务器、app应用商城等等，其上存储有计算机程序，所述计算机程序被处理器执行时实现如下方法步骤：
151.获取施工现场的监控视频，并从所述监控视频中提取出目标帧画面；
152.从所述目标帧画面中截取出工人所在的人像区域；
153.从所述人像区域中识别出位于工人服饰上的目标aruco标记，并从所述目标aruco
标记中识别出目标数字编号；
154.从预设的数据库中获取包含所述目标数字编号的目标关联记录，并将包含在所述目标关联记录中的目标工人身份信息发送至预设终端。
155.上述方法步骤的具体实施例过程可参见第一实施例，本实施例在此不再重复赘述。
156.需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
157.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
158.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。
159.以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。