目标重识别方法及其网络训练方法、相关装置制造方法及图纸

本申请公开了一种目标重识别方法及其网络训练方法、相关装置。该方法包括：获取训练图像集，训练图像集中包括多个目标的图像，且每个目标至少对应两种风格的图像；利用目标重识别网络对训练图像集中每张图像进行识别，得到每张图像的识别结果，识别结果包括图像的特征；基于识别结果获取目标重识别网络的损失，损失包括第一距离损失，第一距离损失是基于目标对应的不同风格的图像的特征之间的距离得到的；基于损失调整所述目标重识别网络的参数；重复上述步骤直至满足停止训练的条件。通过上述方式，本申请能够提高目标重识别网络的目标识别性能。

【技术实现步骤摘要】
目标重识别方法及其网络训练方法、相关装置
本申请涉及图像识别
，特别是涉及一种目标重识别方法及其网络训练方法、相关装置。
技术介绍
相对于视角较固定的人脸识别任务，行人重识别不受人脸视角、人体姿态和摄像机视角的限制，其识别效果相对更好、应用场景更广泛。因此，近年来目标重识别技术取得了飞速的发展。目标重识别技术旨在从视频或图像中找到特定的目标，其在安防、新零售和互联网等领域具有重要的应用价值。目标重识别技术针对的目标可以为行人、车辆等。一般采用目标重识别网络来进行目标识别，例如，使用行人重识别(PersonRe-identification,ReID)网络来对行人图像进行识别。现有技术中，在使用目标重识别网络之前，通常需要对其进行训练，使其后续在使用过程中得到的识别结果更加准确。然而，现有的训练方法得到的目标重识别网络对目标的识别效果不够好。
技术实现思路
本申请提供一种图像增强方法、电子设备及存储介质，能够解决现有的训练方法得到的目标重识别网络对目标的识别效果不够好的问题。为解决上述技术问题，本申请采用的一个技术方案是：提供一种目标重识别网络的训练方法，该方法包括：获取训练图像集，训练图像集中包括多个目标的图像，且每个目标至少对应两种风格的图像；利用目标重识别网络对训练图像集中每张图像进行识别，得到每张图像的识别结果，识别结果包括图像的特征；基于识别结果获取目标重识别网络的损失，损失包括第一距离损失，第一距离损失是基于目标对应的不同风格的图像的特征之间的距离得到的；基于损失调整所述目标重识别网络的参数；重复上述步骤直至满足停止训练的条件。为解决上述技术问题，本申请采用的另一个技术方案是：提供一种目标重识别方法，该方法包括：获取待识别图像和参考图像，其中，参考图像包括预设目标；利用目标重识别网络分别对待识别图像和参考图像进行识别，以得到待识别图像的特征和参考图像的特征；基于待识别图像的特征和参考图像的特征之间的相似度，确定待识别图像是否包括预设目标；其中，目标重识别网络是利用上述方法得到的。为解决上述技术问题，本申请采用的又一个技术方案是：提供一种电子设备，该电子设备包括处理器、与处理器连接的存储器，其中，存储器存储有程序指令；处理器用于执行存储器存储的程序指令以实现上述方法。为解决上述技术问题，本申请采用的再一个技术方案是：提供一种存储介质，存储有程序指令，该程序指令被执行时能够实现上述方法。通过上述方式，本申请训练图像集中包括多个目标对应的多种风格的图像，因此利用目标重识别网络对训练图像集中每张图像识别，可以得到每个目标对应的多种风格的图像特征，进而将每个目标对应的不同种风格的图像特征之间的距离(类内距离)作为目标重识别网络的第一距离损失，并根据该第一距离损失调整目标重识别网络的参数，能够使得目标重识别网络在后续识别过程中，得到的同一目标对应的不同风格的图像的特征之间距离更小，从而能够减小图像风格差异(域间隙)对目标重识别网络识别结果带来的影响，提高目标重识别网络的跨域识别性能，由于目标重识别网络能够较好的跨域识别不同风格图像，故能够提高目标重识别网络的目标识别效果。附图说明图1是本申请目标重识别网络的训练方法第一实施例的流程示意图；图2是本申请目标重识别网络的训练方法第二实施例的流程示意图；图3是本申请目标重识别网络的训练方法第三实施例的流程示意图；图4是本申请目标重识别网络的训练方法第四实施例的流程示意图；图5是图4中S430的具体流程示意图；图6是本申请目标重识别网络的训练方法第五实施例的流程示意图；图7是本申请目标重识别方法一实施例的流程示意图；图8是本申请电子设备一实施例的结构示意图；图9是本申请存储介质一实施例的结构示意图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。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。在本文中提及“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，在不冲突的情况下，本文所描述的实施例可以与其它实施例相结合。在实际应用场景中，利用源域图像集的第一图像(源域风格)训练得到的目标重识别网络，在对目标域图像集的第二图像(目标域风格)进行识别时，识别效果往往不够好。具体而言，利用源域图像集的第一图像训练得到的目标重识别网络，在后续进行识别时，提取到的目标域风格的第二图像的特征辨别性不高，对源域风格的第一图像的识别效果明显优于目标域风格的第二图像的识别效果。也就是说，利用源域图像集的第一图像训练得到的目标重识别网络，更适应对源域风格的第一图像的识别。这是由于源域风格和目标域风格存在差异，也即源域风格的第一图像和目标域风格的第二图像之间存在域间隙。为减小目标重识别网络对图像识别过程中域间隙对识别效果产生的影响，提高目标重识别网络的跨域识别性能，本申请提供了一种目标重识别网络的训练方法，具体如下：图1是本申请目标重识别网络的训练方法第一实施例的流程示意图。需注意的是，若有实质上相同的结果，本实施例并不以图1所示的流程顺序为限。如图1所示，本实施例可以包括：S110：获取训练图像集。训练图像集中包括多个目标的图像，且每个目标至少对应两种风格的图像。本申请中所提及的目标可以为行人、车辆等。训练图像集中每张图像的尺寸相等，例如400*144。每张图像可以包含一个目标，也可以包含多个目标。为简化描述，本申请以训练图像集中每张图像包含一个目标进行说明。训练图像集中每张图像可以带有标注信息，其中，每张图像带有的标注信息可以为当前图像包含的目标的标识(ID)信息，例如当前图像包含行人A，则其带有的标注信息可以为行人A的ID信息。训练集中每个目标的图像数量可以相同，也可以不同。训练集中每个目标的图像可以为包含当前目标的图像。例如，当前图像中包含行人A，则当前图像可以被称为行人A的图像。其中，可以将包含同一目标的图像看作一类。训练图像集中每张图像具有一对应的图像风格，其中每个目标的图像风格有多种，不同目标的图像风格种类类别以及种类数量相同。所谓图像风格，可以体现为环境参数，例如，摄像头拍摄参数、光照强度、时间、地点、季节本文档来自技高网...

【技术保护点】
1.一种目标重识别网络的训练方法，其特征在于，包括：/n获取训练图像集，所述训练图像集中包括多个目标的图像，且每个所述目标至少对应两种风格的图像；/n利用所述目标重识别网络对所述训练图像集中每张所述图像进行识别，以得到每张所述图像的识别结果，所述识别结果包括所述图像的特征；/n基于所述识别结果获取所述目标重识别网络的损失，所述损失包括第一距离损失，所述第一距离损失是基于所述目标对应的不同风格的图像的特征之间的距离得到的；/n基于所述损失调整所述目标重识别网络的参数；/n重复上述步骤直至满足停止训练的条件。/n

【技术特征摘要】
1.一种目标重识别网络的训练方法，其特征在于，包括：
获取训练图像集，所述训练图像集中包括多个目标的图像，且每个所述目标至少对应两种风格的图像；
利用所述目标重识别网络对所述训练图像集中每张所述图像进行识别，以得到每张所述图像的识别结果，所述识别结果包括所述图像的特征；
基于所述识别结果获取所述目标重识别网络的损失，所述损失包括第一距离损失，所述第一距离损失是基于所述目标对应的不同风格的图像的特征之间的距离得到的；
基于所述损失调整所述目标重识别网络的参数；
重复上述步骤直至满足停止训练的条件。


2.根据权利要求1所述的方法，其特征在于，基于所述识别结果获取所述目标重识别网络的第一距离损失，包括：
基于所述目标对应的不同风格的图像的特征，分别获取每个所述目标对应的不同风格的统计特征；
基于每个所述目标对应的不同风格的统计特征，获取所述目标重识别网络的第一距离损失。


3.根据权利要求2所述的方法，其特征在于，所述基于所述目标对应的不同风格的图像的特征，分别获取每个所述目标对应的不同风格的统计特征，包括：
对于每个所述目标，统计所述目标同一风格的图像的特征，以得到所述目标对应所述风格的统计特征；
所述基于每个所述目标对应的不同风格的统计特征，获取所述目标重识别网络的第一距离损失，包括：
对于每个所述目标，获取所述目标对应的不同风格的统计特征之间的距离，以作为所述目标的特征距离；
基于不同所述目标的特征距离，获得所述目标重识别网络的第一距离损失。


4.根据权利要求3所述的方法，其特征在于，所述统计所述目标同一风格的图像的特征，以得到所述目标对应所述风格的统计特征，包括：
获取所述目标同一风格的图像的特征的平均特征，作为所述目标对应所述风格的统计特征；或者，
获取所述目标同一风格的图像的特征的中位特征，作为所述目标对应所述风格的统计特征；
所述获取所述目标对应的不同风格的统计特征之间的距离，作为所述目标的特征距离，包括：
获取所述目标对应的不同风格的统计特征之间的欧式距离，作为所述目标的特征距离；
所述基于不同所述目标特征的特征距离，获得所述目标重识别网络的第一距离损失：
将每个所述目标特征的特征距离之和，作为所述目标重识别网络的第一距离损失。


5.根据权利要求1所述的方法，其特征在于，所述获取训练图像集，包括：
获取源域图像集和目标域图像集，所述源域图像集中包...

【专利技术属性】
技术研发人员：孙立波，潘华东，殷俊，
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：浙江;33