目标重识别方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种基于深度学习的目标重识别方法、装置、计算机设备和存储介质。所述方法包括：识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出待检测图片集合中与目标对象图片为相同视角的相同视角图片，以及与目标对象图片为不同视角的不同视角图片。确定目标对象图片和相同视角图片的第一特征距离，以及目标对象图片和不同视角图片的第二特征距离。根据第一特征距离，确定相同视角下包括目标对象的图片，根据第二特征距离，确定不同视角下包括目标对象的图片。采用本方法可分别确定相同视角下以及不同视角下包括相同目标对象的图片，有效解决了拍摄视角差异较大而无法准确确定相同目标对象的问题，提高了目标重识别工作的准确度。

【技术实现步骤摘要】
目标重识别方法、装置、计算机设备和存储介质
本申请涉及计算机
，特别是涉及一种目标重识别方法、装置、计算机设备和存储介质。
技术介绍
随着计算机技术的发展，出现了目标重识别技术。目标重识别用于针对所给定的目标，确定在其他时间或视角里是否存在具有相同身份的目标。其中，目标可以是车辆或者行人，目标重识别用于实现匹配出视频监控中具有不同视角或时间段的车辆或者行人。传统技术中，通常通过利用目标的外观信息来确定是否存在相同目标，但由于目标的外观容易受到外界条件和目标自身因素等的影响，出现同一目标的外观信息在不同环境下并不一致的情况。比如，同一行人对象在不同光照条件或不同姿势下，捕捉到的同一行人的图像存在较大差异，无法将其确定为同一目标。针对车辆而言，在不同视角或不同分辨率的视频图像下，同一车辆的外观信息也不相同，同样也无法有效实现车辆重识别。因此传统的重识别方法，目标的外观信息容易受到影响，在各种实际应用场景下，目标重识别的准确度较低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高目标重识别准确度的目标重识别方法、装置、计算机设备和存储介质。一种目标重识别方法，所述方法包括：识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离；根据所述第一特征距离，确定相同视角下包括所述目标对象的图片；根据所述第二特征距离，确定不同视角下包括所述目标对象的图片。在其中一个实施例中，所述确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离，包括：将所述目标对象图片和相同视角图片输入训练好的重识别模型，通过所述重识别模型的第一卷积子分支网络，输出所述相同视角图片和所述目标对象图片的第一特征距离；将所述目标对象图片和不同视角图片输入训练好的重识别模型，通过所述重识别模型的第二卷积子分支网络，输出所述不同视角图片和所述目标对象图片的第二特征距离。在其中一个实施例中，训练所述重识别模型的方式，包括：获取已标注的各样本图片集；所述样本图片集包括正负样本与样本为相同视角的三元图片组，以及正负样本与样本为不同视角的三元图片组；其中，正样本与样本存在相同目标对象；负样本与样本存在不同目标对象；将所述样本图片集中相同视角的三元图片组输入初始重识别模型的第一卷积子分支网络，得到第一特征矩阵；将所述不同视角的三元图片组输入所述初始重识别模型的第二卷积子分支网络，得到第二特征矩阵；根据所述第一特征矩阵计算第一损失函数，以及根据所述第二特征矩阵计算第二损失函数；其中，所述第一损失函数的目标使所述相同视角的三元图片组正样本和负样本的距离最大；所述第二损失函数的目标使所述不同视角的三元图片组正样本和负样本的距离最大；根据所述第一损失函数和所述第二损失函数更新所述初始重识别模型的参数；返回所述获取已标注的各样本图片集的步骤，直至达到迭代停止条件，生成训练好的重识别模型。在其中一个实施例中，所述方法还包括：从所述第一特征矩阵中选择相同视角的负样本的特征元素，从所述第二特征矩阵中选择不同视角的正样本的特征元素；根据不同视角的正样本的特征元素和相同视角的负样本的特征元素，计算第三损失函数；所述第三损失函数的目标是使相同视角的负样本和不同视角的正样本的特征距离最大；根据所述第一损失函数和所述第二损失函数更新所述初始重识别模型的参数，包括：根据所述第一损失函数、所述第二损失函数和所述第三损失函数更新初始重识别模型的参数。在其中一个实施例中，在所述获取已标注的各训练样本图片之后，还包括：将所述已标注的各样本图片集，输入训练好的图像特征提取模型；利用训练好的所述图像特征提取模型，提取所述样本图片集中各图片的高维图片特征；所述高维图片特征与各图片的特征元素对应；其中，将所述样本图片集中相同视角的三元图片组的高维图片特征输入第一卷积子分支网络，将所述样本图片集中不同视角的三元图片组的高维图片特征输入所述第二卷积子分支网络。在其中一个实施例中，识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片，包括：将所述目标对象图片和所述待检测图片集合中各待检测图片，输入训练好的视角分类模型，输出所述目标对象图片的视角和各所述待检测图片的视角；根据所述目标对象图片的视角，从所述待检测图片集合中确定出与所述目标对象图片为相同视角图图片，以及与所述目标对象图片为不同视角的不同视角图片。在其中一个实施例中，训练所述视角分类模型的方式，包括：获取已标注视角的图片训练集；根据已标注视角的所述图片训练集，对初始分类模型进行训练，得到训练好的视角分类模型。一种目标重识别装置，所述装置包括：视角识别模块，用于识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；特征距离确定模块，用于确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离；图片确定模块，用于根据所述第一特征距离，确定相同视角下包括所述目标对象的图片；还用于根据所述第二特征距离，确定不同视角下包括所述目标对象的图片。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离；根据所述第一特征距离，确定相同视角下包括所述目标对象的图片；根据所述第二特征距离，确定不同视角下包括所述目标对象的图片。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以下步骤：识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；确定所述目标对象图片和所述相同视角图片的第一本文档来自技高网...

【技术保护点】
1.一种目标重识别方法，其特征在于，所述方法包括：/n识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；/n确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离；/n根据所述第一特征距离，确定相同视角下包括所述目标对象的图片；/n根据所述第二特征距离，确定不同视角下包括所述目标对象的图片。/n

【技术特征摘要】
1.一种目标重识别方法，其特征在于，所述方法包括：
识别目标对象图片和待检测图片集合中各待检测图片的视角，确定出所述待检测图片集合中与所述目标对象图片为相同视角的相同视角图片，以及与所述目标对象图片为不同视角的不同视角图片；所述目标对象图片携带待识别的目标对象；
确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离；
根据所述第一特征距离，确定相同视角下包括所述目标对象的图片；
根据所述第二特征距离，确定不同视角下包括所述目标对象的图片。


2.根据权利要求1所述的方法，其特征在于，所述确定所述目标对象图片和所述相同视角图片的第一特征距离，以及所述目标对象图片和所述不同视角图片的第二特征距离，包括：
将所述目标对象图片和相同视角图片输入训练好的重识别模型，通过所述重识别模型的第一卷积子分支网络，输出所述相同视角图片和所述目标对象图片的第一特征距离；
将所述目标对象图片和不同视角图片输入训练好的重识别模型，通过所述重识别模型的第二卷积子分支网络，输出所述不同视角图片和所述目标对象图片的第二特征距离。


3.根据权利要求2所述的方法，其特征在于，训练所述重识别模型的方式，包括：
获取已标注的各样本图片集；所述样本图片集包括正负样本与样本为相同视角的三元图片组，以及正负样本与样本为不同视角的三元图片组；其中，正样本与样本存在相同目标对象；负样本与样本存在不同目标对象；
将所述样本图片集中相同视角的三元图片组输入初始重识别模型的第一卷积子分支网络，得到第一特征矩阵；
将所述不同视角的三元图片组输入所述初始重识别模型的第二卷积子分支网络，得到第二特征矩阵；
根据所述第一特征矩阵计算第一损失函数，以及根据所述第二特征矩阵计算第二损失函数；其中，所述第一损失函数的目标使所述相同视角的三元图片组正样本和负样本的距离最大；所述第二损失函数的目标使所述不同视角的三元图片组正样本和负样本的距离最大；
根据所述第一损失函数和所述第二损失函数更新所述初始重识别模型的参数；
返回所述获取已标注的各样本图片集的步骤，直至达到迭代停止条件，生成训练好的重识别模型。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
从所述第一特征矩阵中选择相同视角的负样本的特征元素，从所述第二特征矩阵中选择不同视角的正样本的特征元素；
根据不同视角的正样本的特征元素和相同视角的负样本的特征元素，计算第三损失函数；所述第三损失函数的目标是使相同视角的负样本和不同视角的正样本的特征距离最大；
根据所述第一损失...

【专利技术属性】
技术研发人员：林春伟，刘莉红，刘玉宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44