人体目标的身份识别是无人商店应用场景中的一个重要环节,从用户入店时的身份验证,再到店内的用户身份识别,需要同时保证识别的实时性和准确性。首先,相对于传统的目标检测与跟踪的解决思路,借鉴“仅看一眼就知道目标分类”的YOLO目标检测思想,以YOLO算法和图像特征识别算法为基础,提出了“仅看一眼就知道是谁”的研究思路,设计了室内监控对象身份识别模型。其次,对VOC数据集进行重新标注,使得标注后的数据集包含人体头部和人体方位标注。对YOLOv3训练模型配置进行改进,改进后的网络模型可以实时检测视频中的人体头部目标和输出人体方位特征。对于人物特征匹配,提出了多方位人体特征提取和分类训练的设计思想,其实现方法是对人体头部的正面、侧面和后面同时进行特征提取,并将提取到的特征向量进行分类训练,同时生成三个方位的人体特征库,其中特征提取采用LBP算法,分类训练采用SVM算法。之所以采用传统的机器学习算法,而不采用识别准确度更高的深度学习算法,主要原因是在无人商店应用场景中,会员在入店前的数据采集和动态分类训练需要保证即时性,需要在秒级中完成数据采集和分类训练,同时又要保证特征匹配的准确度。最后,将视频人体目标检测与多方位特征提取、分类训练与特征匹配相结合,对室内监控对象的身份识别模型进行实验和评价。本文通过改进目标检测训练模型,输出人体头部和人体方位特征和采用多方位人体特征提取和动态训练两个方面取得了一些进展。实验结果表明,在无人店内顾客数量少于五人时,新顾客入店前的分类动态训练时间为0.26秒,满足分类训练的即时性要求。在店内中有五名顾客时,监控视频的人体目标检测和身份识别速度每秒在25帧以上,满足场景目标识别实时性要求。在人物互不遮挡情况下,人体正面和侧面的身份识别准确度在85%以上,人体后面的身份识别准确度在60%以上,通过单摄像头视频采集,该模型可以实时检测室内场景中的人体目标和身份识别,输出会员的身份信息,基本满足模型准确度的设计目标。同时,实验也表明,当人体目标重叠度超出一定值后,单摄像头存在无法识别的盲区,当人体目标外观特征（身高、体型、服装）非常接近时,特征匹配的准确度会降低,这些还需要进一步研究与实验,包括多摄像头多视角目标检测、多特征相融合算法或目标追踪算法等研究方向。