图像中对象的识别方法和装置、存储介质及电子装置制造方法及图纸

本发明专利技术公开了一种图像中对象的识别方法和装置、存储介质及电子装置。其中，该方法包括：获取第一图像和第二图像；将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图；通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象，达到了基于遮挡数据实现行人重识别，以及利用完整未遮挡数据提高遮挡情况下的识别效果，进而解决了现有技术中，图像中对象识别的准确性较低的技术问题。

【技术实现步骤摘要】
图像中对象的识别方法和装置、存储介质及电子装置
本专利技术涉及图像处理领域，具体而言，涉及一种图像中对象的识别方法和装置、存储介质及电子装置。
技术介绍
行人重识别(Personre-identification缩写ReID)技术是一项利用计算器视觉技术在图片库或者视频库中检索特定行人的技术，被广泛应用于智能监控、安防等领域。实际场景中，抓拍到的行人很容易被各种静态或动态的物体所遮挡，而且由于抓拍角度的不同和行人自身移动导致的较大的视角和姿态变化，以及由于天气、时间等造成的光线变化等等都会对行人重识别的最终效果产生比较大的影响。目前，基于半耦合鉴别字典学习的叶遮挡行人重识别方法及系统，从两个公共的行人重识别数据集上加入真实的枝叶遮挡，包括有遮挡视频和普通视频；然后分别对有遮挡视频和普通视频进行特征提取；其次是对提取出来的样本特征进行处理，引入字典学习方法，从遮挡视频和普通视频中学习投影矩阵；引入鉴别思想学习字典对。只处理树叶遮挡的情况，现实中遮挡情况复杂，比如垃圾桶，建筑物，其他行人等等，只能处理树叶遮挡的情况，其他遮挡效果不好。针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
本专利技术实施例提供了一种图像中对象的识别方法和装置、存储介质及电子装置，以至少解决现有技术中，图像中对象识别的准确性较低的技术问题。根据本专利技术实施例的一个方面，提供了一种图像中对象的识别方法，包括：获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图，其中，所述目标神经网络模型是通过训练样本图像集合对待训练神经网络模型进行训练得到的模型，所述训练样本图像集合包括未遮挡的多张样本图像和对应所述多张样本图像进行处理得到的多张遮挡样本图像，多张样本图像中共包括多个不同的样本对象，所述多张遮挡样本图像中共包括多个不同的样本对象，所述目标神经网络模型满足目标损失条件，所述目标损失条件包括每个样本对象对应的第一损失函数的取值小于第一阈值；通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象。根据本专利技术实施例的另一方面，还提供了一种图像中对象的识别装置，包括：第一获取单元，用于获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；第一得到单元，用于将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图，其中，所述目标神经网络模型是通过训练样本图像集合对待训练神经网络模型进行训练得到的模型，所述训练样本图像集合包括未遮挡的多张样本图像和对应所述多张样本图像进行处理得到的多张遮挡样本图像，多张样本图像中共包括多个不同的样本对象，所述多张遮挡样本图像中共包括多个不同的样本对象，所述目标神经网络模型满足目标损失条件，所述目标损失条件包括每个样本对象对应的第一损失函数的取值小于第一阈值；识别单元，用于通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象。根据本专利技术实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述图像中对象的识别方法。根据本专利技术实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的图像中对象的识别方法。在本专利技术实施例中，通过获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图，其中，所述目标神经网络模型是通过训练样本图像集合对待训练神经网络模型进行训练得到的模型，所述训练样本图像集合包括未遮挡的多张样本图像和对应所述多张样本图像进行处理得到的多张遮挡样本图像，多张样本图像中共包括多个不同的样本对象，所述多张遮挡样本图像中共包括多个不同的样本对象，所述目标神经网络模型满足目标损失条件，所述目标损失条件包括每个样本对象对应的第一损失函数的取值小于第一阈值；通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象，达到了根据遮挡样本图像和未遮挡样本图像训练的目标神经网络识别图像中的目标对象的目的，从而实现了基于遮挡数据生成图像识别的技术效果，进而解决了现有技术中，图像中对象识别的准确性较低的技术问题。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是根据本专利技术实施例的一种可选的图像中对象的识别方法的应用环境的示意图；图2是根据本专利技术实施例的一种可选的图像中对象的识别方法的流程图；图3是根据本专利技术实施例的一种可选的图像划分示意图；图4是根据本专利技术实施例的一种可选的神经网络训练的流程示意图；图5是根据本专利技术实施例的一种可选的遮挡行人重识别方法的流程图；图6是根据本专利技术实施例的一种可选的图像中对象的识别装置的结构示意图；图7是根据本专利技术实施例的一种可选的图像中对象的识别方法的电子装置的结构示意图。具体实施方式为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。需要说明的是，本专利技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。根据本专利技术实施例的一个方面，提供了一种基于云服务器与人工智能的图像中本文档来自技高网...

【技术保护点】
1.一种图像中对象的识别方法，其特征在于，包括：/n获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；/n将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图，其中，所述目标神经网络模型是通过训练样本图像集合对待训练神经网络模型进行训练得到的模型，所述训练样本图像集合包括未遮挡的多张样本图像和对应所述未遮挡的多张样本图像进行处理得到的多张遮挡样本图像，未遮挡的多张样本图像中共包括多个不同的样本对象，所述多张遮挡样本图像中共包括多个不同的样本对象，所述目标神经网络模型满足目标损失条件，所述目标损失条件包括每个样本对象对应的第一损失函数的取值小于第一阈值；/n通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象。/n

【技术特征摘要】
1.一种图像中对象的识别方法，其特征在于，包括：
获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；
将所述第一图像和所述第二图像输入目标神经网络模型，得到所述第一图像的第一特征图和所述第二图像的第二特征图，其中，所述目标神经网络模型是通过训练样本图像集合对待训练神经网络模型进行训练得到的模型，所述训练样本图像集合包括未遮挡的多张样本图像和对应所述未遮挡的多张样本图像进行处理得到的多张遮挡样本图像，未遮挡的多张样本图像中共包括多个不同的样本对象，所述多张遮挡样本图像中共包括多个不同的样本对象，所述目标神经网络模型满足目标损失条件，所述目标损失条件包括每个样本对象对应的第一损失函数的取值小于第一阈值；
通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，其中，所述识别结果用于指示所述第一图像中的所述第一对象和所述第二图像集合中的所述第二对象为同一对象或者为不同对象。


2.根据权利要求1所述的方法，其特征在于，将所述第一图像和所述第二图像输入目标神经网络模型之前，所述方法包括：
获取所述训练样本图像集合，其中，所述训练样本图像集合包括N张未遮挡样本图像和对应的N张遮挡样本图像，所述N张未遮挡样本图像中共包括M个不同的样本对象，所述N张遮挡样本图像中共包括M个不同的样本对象，每个所述样本对象出现在所述N张遮挡样本图像中的P张样本图像中和所述遮挡样本图像中的P张样本图像中，N和M为大于1的自然数，P为自然数；
使用所述训练样本图像集合对所述待训练神经网络模型进行训练，得到满足所述目标损失函数的所述目标神经网络模型。


3.根据权利要求2所述的方法，其特征在于，获取所述训练样本图像集合，包括：
对所述训练样本图像集合中的每张未遮挡图像进行P*Q网络划分，得到第一目标训练样本图像集合，其中，所述目标训练样本图像集合中的每张图像被网格化；
获取预设个数的遮挡数据；
将所述遮挡数据随机填补到所述每张未遮挡图像中，得到第二目标训练样本图像集合，其中，所述训练样本图像集合包括所述第二目标训练图像集合。


4.根据权利要求3所述的方法，其特征在于，将所述第一图像和所述第二图像输入目标神经网络模型之前，所述方法包括：
将所述训练样本图像集合中未遮挡图像和对应的遮挡对象输入到所述待训练神经网络中，通过所述待训练神经网络模型获取每张所述样本图片的特征图；
根据所述未遮挡图像对象的特征图获取第一损失函数的取值；
根据所述遮挡图像对象的特征图获取第二损失函数的取值和第三损失函数值；
在所述第一损失函数的取值满足第一预定阈值、第二损失函数的取值满足第二预定阈值以及所述第三损失函数满足第三预定阈值的情况下，确定所述待训练神经网络模型满足目标损失函数。


5.根据权利要求1所述的方法，其特征在于，通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像的所述第二特征图进行处理，得到识别结果，包括：
通过所述目标神经网络模型对所述第一图像的所述第一特征图和所述第二图像所述第二特征图进行处理，得到所述第一图像与所述第二图像之间的相似距离；
将在所述相似距离小于或等于预定阈值的情况下，确定所述目标图像中的所述第二对象与所述第一图像中的第一对象为同一对象。


6.根据权利要求1至5中任一项所述的方法，其特征在于，在确定所述第一图像中的所述第一对象与所述第二图像中的所述第二对象为同一对象之后，所述方法还包括：
在所述第一图像为第一拍摄设备拍摄到的图像、且所述第二图像为第二拍摄设备拍摄到的图像的情况下，将所述第一对象的第一移动轨迹和所述第二对象的第二移动轨迹进行拼接，得到所述第一对象的目标移动轨迹，其中，所述第一移动轨迹为所述第一拍摄设备获取到所述第一对象的移动轨迹，所述第二移动轨迹为所述第二拍摄设备获取到所述第二对象的移动轨迹。


7.一种图像中对象的识别装置，其特征在于，包括：
第一获取单元，用于获取第一图像和第二图像，其中，所述第一图像中包括第一对象，所述第二图像中包括第二对象；
第一得到单元，用于将所述第一图像和所述第二图像输入目标神经网络...

【专利技术属性】
技术研发人员：吴翠玲，
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