一种目标重识别方法、装置和计算机可读存储介质制造方法及图纸

本申请公开了一种目标重识别方法、装置和计算机可读存储介质，该方法包括：基于目标重识别模型分别对包括待识别目标的待识别图像以及包括多个搜索图像的搜索数据集进行处理，得到重识别结果，重识别结果包括搜索数据集中与待识别目标匹配的搜索图像；目标重识别模型包括主干网络与至少两个分支网络，主干网络用于获取训练数据中样本图像的样本特征；分支网络用于对样本特征进行处理得到特征图，并对特征图进行分类得到分类结果；目标重识别模型的损失值由第一损失值与第二损失值确定，第一损失值为对所有分支网络输出的特征图进行解耦处理得到的损失，第二损失值为每个分类结果的损失。通过上述方式，本申请能够提升目标重识别的性能。别的性能。别的性能。

【技术实现步骤摘要】
一种目标重识别方法、装置和计算机可读存储介质


[0001]本申请涉及计算机视觉
，具体涉及一种目标重识别方法、装置和计算机可读存储介质。

技术介绍

[0002]目标重识别是图像检索的子问题，着眼于在目标被遮挡、模糊或损坏的情况下，在跨摄像头场景中检索出特定的目标；例如，以车辆重识别为例，车辆重识别在交通管理或智能监控等方面具有重要的实际应用，然而由于车辆外观在不同的环境、视角、分辨率以及光照条件下差异很大，且不同的车辆可能因具有相同的品牌、型号和颜色而表现出相似的外观，给车辆重识别任务带来了困难，导致识别效果不佳或者识别模型的复杂度较高。

技术实现思路

[0003]本申请提供一种目标重识别方法、装置和计算机可读存储介质，能够提升目标重识别的性能。
[0004]为解决上述技术问题，本申请采用的技术方案是：提供一种目标重识别方法，该方法包括：获取待识别图像与搜索数据集，待识别图像包括待识别目标，搜索数据集包括多个搜索图像；基于目标重识别模型分别对待识别图像与搜索数据集进行处理，得到重识别结果，重识别结果包括搜索数据集中与待识别目标匹配的搜索图像；其中，目标重识别模型是基于训练数据训练的，训练数据包括多个样本图像，目标重识别模型包括主干网络与至少两个分支网络，主干网络用于获取样本图像中的特征，得到样本特征；分支网络用于对样本特征进行处理得到特征图，并对特征图进行分类得到分类结果；目标重识别模型的损失值由第一损失值与第二损失值确定，第一损失值为对所有分支网络输出的特征图进行解耦处理得到的损失，第二损失值为每个分类结果的损失。
[0005]为解决上述技术问题，本申请采用的另一技术方案是：提供一种目标重识别装置，该目标重识别装置包括互相连接的存储器和处理器，其中，存储器用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的目标重识别方法。
[0006]为解决上述技术问题，本申请采用的另一技术方案是：提供一种计算机可读存储介质，该计算机可读存储介质用于存储计算机程序，计算机程序在被处理器执行时，用于实现上述技术方案中的目标重识别方法。
[0007]通过上述方案，本申请的有益效果是：本申请所提供的目标重识别模型包括主干网络以及至少两个分支网络；在训练目标重识别模型时，采用主干网络对样本图像进行处理，生成样本特征；分支网络可对样本特征进行处理得到特征图，通过对所有分支网络输出的特征图进行解耦处理，便可得到第一损失值；同时，每个分支网络还输出分类结果，每个分类结果对应一个第二损失值；通过对第一损失值与所有第二损失值进行处理，便可生成每次训练的损失值；在实际使用中，采用训练完的目标重识别模型对待识别图像与搜索数据集进行处理，便可得到重识别结果；由于在目标重识别模型中同时训练多种信息，因此能
够获取到多种分类结果，提高了模型的泛化性能；而且，由于对所有特征图进行了解耦操作，使得各种特征能够区分开，有助于提升重识别的准确性。
附图说明
[0008]为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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。其中：
[0009]图1是本申请提供的目标重识别方法一实施例的流程示意图；
[0010]图2是本申请提供的目标重识别模型的结构示意图；
[0011]图3是本申请提供的目标重识别方法另一实施例的流程示意图；
[0012]图4是本申请提供的训练目标重识别模型的流程示意图；
[0013]图5是本申请提供的目标重识别模型的另一结构示意图；
[0014]图6是本申请提供的目标重识别装置一实施例的结构示意图；
[0015]图7是本申请提供的计算机可读存储介质一实施例的结构示意图。
具体实施方式
[0016]下面结合附图和实施例，对本申请作进一步的详细描述。特别指出的是，以下实施例仅用于说明本申请，但不对本申请的范围进行限定。同样的，以下实施例仅为本申请的部分实施例而非全部实施例，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它实施例，都属于本申请保护的范围。
[0017]在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0018]需要说明的是，本申请中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0019]请参阅图1，图1是本申请提供的目标重识别方法一实施例的流程示意图，该方法包括：
[0020]S11：获取待识别图像与搜索数据集。
[0021]待识别图像包括待识别目标，待识别目标为关注的目标，其可以为车辆、船、行人或行李等；搜索数据集包括多个搜索图像，搜索图像为可能包括待识别目标的图像；可从图像数据库中获取待识别图像以及搜索图像，或者利用多个摄像设备对监控场景进行拍摄，
生成待识别图像以及搜索图像。
[0022]S12：基于目标重识别模型分别对待识别图像与搜索数据集进行处理，得到重识别结果。
[0023]可预先采用训练数据对目标重识别模型进行训练，生成训练完的目标重识别模型，即目标重识别模型是基于训练数据训练的，该训练数据包括多个样本图像，目标重识别模型包括主干网络与至少两个分支网络，主干网络用于获取样本图像中的特征，得到样本特征；分支网络用于对样本特征进行处理得到特征图，并对特征图进行分类得到分类结果；目标重识别模型的损失值由第一损失值与第二损失值确定，第一损失值为对所有分支网络输出的特征图进行解耦处理得到的损失，第二损失值为每个分类结果的损失。
[0024]在一具体的实施例中，如图2所示，目标识别模型包括分支网络1
‑
3，训练数据包括与样本图像对应的标签1
‑
3，分支网络1可输出特征图1与分类结果1，分支网络2可输出特征图2与分类结果2，分支网络3可输出特征图3与分类结果3，通过对特征图1、特征图2以及特征图3进行解耦处理，得到第一损失值L1；计算分类结果1与标签1之间的损失值，得到第二损本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标重识别方法，其特征在于，包括：获取待识别图像与搜索数据集，所述待识别图像包括待识别目标，所述搜索数据集包括多个搜索图像；基于目标重识别模型分别对所述待识别图像与所述搜索数据集进行处理，得到重识别结果，所述重识别结果包括所述搜索数据集中与所述待识别目标匹配的搜索图像；其中，所述目标重识别模型是基于训练数据训练的，所述训练数据包括多个样本图像，所述目标重识别模型包括主干网络与至少两个分支网络，所述主干网络用于获取所述样本图像中的特征，得到样本特征；所述分支网络用于对所述样本特征进行处理得到特征图，并对所述特征图进行分类得到分类结果；所述目标重识别模型的损失值由第一损失值与第二损失值确定，所述第一损失值为对所有所述分支网络输出的特征图进行解耦处理得到的损失，所述第二损失值为每个所述分类结果的损失。2.根据权利要求1所述的目标重识别方法，其特征在于，所述至少两个分支网络包括第一分支网络与第二分支网络，所述目标重识别模型的训练包括：从所述训练数据中选择一个所述样本图像，并采用所述主干网络对所述样本图像进行特征提取处理，得到所述样本特征；采用所述第一分支网络对所述样本特征进行处理，生成第一特征图；采用所述第二分支网络对所述样本特征进行处理，生成第二特征图；对所述第一特征图与所述第二特征图进行解耦处理，生成所述第一损失值；对所述第一损失值与所有所述第二损失值进行处理，生成所述损失值；判断所述目标重识别模型是否满足预设训练终止条件；若否，则返回所述从所述训练数据中选择一个所述样本图像的步骤，直至所述目标重识别模型满足所述预设训练终止条件，得到训练完的目标重识别模型。3.根据权利要求2所述的目标重识别方法，其特征在于，所述第一特征图包括多个第一特征子图，所述第二特征图包括多个第二特征子图，所述对所述第一特征图与所述第二特征图进行解耦处理，生成所述第一损失值的步骤，包括：采用第一权重矩阵对所有所述第一特征子图进行加权求和，生成第三特征图；采用第二权重矩阵对所有所述第二特征子图进行加权求和，生成第四特征图；基于所述第三特征图与所述第四特征图，生成所述第一损失值。4.根据权利要求3所述的目标重识别方法，其特征在于，所述基于所述第三特征图与所述第四特征图，生成所述第一损失值的步骤，包括：对所述第三特征图进行激活处理，得到第五特征图；对所述第四特征图进行激活处理，得到第六特征图；计算所述第五特征图与所述第六特征图的哈达玛积，得到第七特征图；计算所述第七特征图中所有值的和，得到所述第一损失值。5.根据权利要求3所述的目标重识别方法，其特征在于，所述对所述第一损失值与所有所述第二损失值进行处理，生成所述损失值的步骤，包括：对所述第一损失值、所述第一分支网络对应的第二损失值以及所述第二分支网络对应的第二损失值进行加权求和，得到所述损失值。6.根据权利要求3所述的目标重识别方法，其特征在于，所述基于目标重识别模型分别
对所述待识别图像与所述搜索数据集进行处理，得到重识别结果的步骤，包括：采用...

【专利技术属性】
技术研发人员：邵晓雯，潘华东，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：