目标对象的重识别方法及装置、存储介质、电子装置制造方法及图纸

本发明专利技术实施例提供了一种目标对象的重识别方法及装置、存储介质、电子装置，包括：利用训练后的目标模型确定目标图像的N

【技术实现步骤摘要】
目标对象的重识别方法及装置、存储介质、电子装置


[0001]本专利技术实施例涉及通信领域，具体而言，涉及一种目标对象的重识别方法及装置、存储介质、电子装置。

技术介绍

[0002]车辆重识别是图像检索的子问题，其主要目的是通过一张车辆图像检索同一辆车的其他图像，通常的应用场景为交通监控、城市安防、公安刑侦等，在实际应用场景中，车辆的姿态、分辨率有可能发生较大变化，车身部分很可能被遮挡，这是车辆重识别的难点所在。深度学习技术常被用于车辆重识别。
[0003]现有技术中对车辆的识别方案中无法应对较大面积的车辆遮挡问题，在实际应用场景下，车辆常被道路广告牌、行道树或者其他车辆遮挡，车辆只剩下局部有效区域，对于车辆局部区域的特征提取并没有做优化，其特征会不准确，导致车辆重识别效果下降。
[0004]针对上述技术问题，相关技术中尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种目标对象的重识别方法及装置、存储介质、电子装置，以至少解决相关技术中对车辆的识别不准确的问题。
[0006]根据本专利技术的一个实施例，提供了一种目标对象的重识别方法，包括：利用训练后的目标模型确定目标图像的N
×
N个图像区域的图像特征，其中，上述N是大于或等于1的自然数；基于上述目标图像中的预设图像区域，与上述N
×
N个图像区域中每个图像区域的交集面积，确定N
×
N个交集面积；基于上述N
×
N个交集面积，从上述N<br/>×
N个图像区域的图像特征中确定出上述预设图像区域对应的图像特征；基于上述预设图像区域对应的图像特征确定上述目标对象的重识别结果。
[0007]根据本专利技术的另一个实施例，提供了一种目标对象的识别装置，包括：第一确定模块，利用训练后的目标模型确定目标图像的N
×
N个图像区域的图像特征，其中，上述N是大于或等于1的自然数；第二确定模块，用于基于上述目标图像中的预设图像区域，与上述N
×
N个图像区域中每个图像区域的交集面积，确定N
×
N个交集面积；第三确定模块，用于基于上述N
×
N个交集面积，从上述N
×
N个图像区域的图像特征中确定出上述预设图像区域对应的图像特征；第四确定模块，用于基于上述预设图像区域对应的图像特征确定上述目标对象的重识别结果。
[0008]在一个示例性实施例中，上述训练后的目标模型包括N
×
N个子模型，其中，上述N
×
N个子模型用于确定上述目标图像的N
×
N个图像区域的图像特征，上述N
×
N个子模型中每个子模型对应确定上述N
×
N个图像区域中每个图像区域的图像特征。
[0009]在一个示例性实施例中，上述装置还包括第五确定模块，用于确定上述训练后的目标模型，其中，上述第五确定模块包括：第一提取单元，用于提取样本图像的初步特征；第一池化单元，用于对上述初步特征进行池化，得到N
×
N个样本子特征，其中，上述N
×
N个样
本子特征中的样本子特征对应于上述样本图像的N
×
N个样本区域中的任一个样本图像区域；第一处理单元，用于基于上述N
×
N个样本子特征，分别对上述N
×
N个子模型中各个子模型执行图像处理，得到上述N
×
N个样本子特征的分类值；第一分类单元，用于基于损失函数确定上述N
×
N个样本子特征的分类值的N
×
N个分类损失值；第一调整单元，用于基于上述N
×
N个分类损失值，对上述目标模型的参数进行调整，得到上述训练后的目标模型。
[0010]在一个示例性实施例中，上述第一处理单元，包括：第一选取子单元，用于从上述N
×
N个样本子特征中选取一个未使用的样本子特征；第一输入子单元，用于将选取出的上述未使用的样本子特征输入上述N
×
N个子模型中的一个子模型；第一确定子单元，用于基于上述N
×
N个子模型中的一个子模型中的全连接层，确定选取出的样本图像区域对应的样本图像区域的特征；第一输入子单元，用于将上述样本图像区域的特征输入上述N
×
N个子模型中的一个子模型中的分类层，得到上述N
×
N个样本子特征中一个样本子特征的分类值。
[0011]在一个示例性实施例中，上述第一调整单元，包括：第一计算子单元，用于计算上述N
×
N个分类损失值的和值；第二调整子单元，用于在训练上述目标模型的迭代次数大于预设迭代次数，且上述和值满足第一预设阈值的情况下，对上述目标模型的参数进行调整，得到上述训练后的目标模型。
[0012]在一个示例性实施例中，上述第四确定模块，包括：第一确定单元，用于从上述N
×
N个交集面积中确定满足第二预设阈值的交集面积；第二确定单元，用于从上述N
×
N个图像区域的图像特征中确定与满足上述第二预设阈值的交集面积对应的图像区域的图像特征，得到目标图像特征；第一计算单元，用于计算上述目标图像特征与数据库中的预设图像特征之间的余弦距离；第一转换单元，用于将上述余弦距离转换为特征相似度；第三确定单元，用于基于上述相似度确定上述目标对象的重识别结果。
[0013]在一个示例性实施例中，上述第二确定模块，包括：第四确定单元，用于确定上述预设图像区域的坐标位置；第五确定单元，用于确定上述N
×
N个图像区域中每个图像区域的坐标位置；第二计算单元，用于根据上述预设图像区域的坐标位置和上述每个图像区域的坐标位置，计算上述预设图像区域和上述N
×
N个图像区域中每个图像区域的交集面积，得到上述N
×
N个交集面积。
[0014]根据本专利技术的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
[0015]根据本专利技术的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
[0016]通过本专利技术，通过利用训练后的目标模型确定目标图像的NK
×
N个图像区域的图像特征，其中，N是大于或等于1的自然数；基于目标图像中的预设图像区域，与N
×
N个图像区域中每个图像区域的交集面积，确定N
×
N个交集面积；基于N
×
N个交集面积，从N
×
N个图像区域的图像特征中确定出预设图像区域对应的图像特征；基于预设图像区域对应的图像特征确定目标对象的重识别结果。实现了采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标对象的重识别方法，其特征在于，包括：利用训练后的目标模型确定目标图像的N
×
N个图像区域的图像特征，其中，所述N是大于或等于1的自然数；基于所述目标图像中的预设图像区域，与所述N
×
N个图像区域中每个图像区域的交集面积，确定N
×
N个交集面积；基于所述N
×
N个交集面积，从所述N
×
N个图像区域的图像特征中确定出所述预设图像区域对应的图像特征；基于所述预设图像区域对应的图像特征确定所述目标对象的重识别结果。2.根据权利要求1所述的方法，其特征在于，所述训练后的目标模型包括N
×
N个子模型，其中，所述N
×
N个子模型用于确定所述目标图像的N
×
N个图像区域的图像特征，所述N
×
N个子模型中每个子模型对应确定所述N
×
N个图像区域中每个图像区域的图像特征。3.根据权利要求2所述的方法，其特征在于，确定所述训练后的目标模型，包括：提取样本图像的初步特征；对所述初步特征进行池化，得到N
×
N个样本子特征，其中，所述N
×
N个样本子特征中的样本子特征对应于所述样本图像的N
×
N个样本区域中的任一个样本图像区域；基于所述N
×
N个样本子特征，分别对所述N
×
N个子模型中各个子模型执行图像处理，得到所述N
×
N个样本子特征的分类值；基于损失函数确定所述N
×
N个样本子特征的分类值的N
×
N个分类损失值；基于所述N
×
N个分类损失值，对所述目标模型的参数进行调整，得到所述训练后的目标模型。4.根据权利要求3所述的方法，其特征在于，基于所述N
×
N个样本子特征，分别对所述N
×
N个子模型中各个子模型执行图像处理，得到所述N
×
N个样本子特征的分类值，包括：从所述N
×
N个样本子特征中选取一个未使用的样本子特征；将选取出的所述未使用的样本子特征输入所述N
×
N个子模型中的一个子模型；基于所述N
×
N个子模型中的一个子模型中的全连接层，确定选取出的样本图像区域对应的样本图像区域的特征；将所述样本图像区域的特征输入所述N
×
N个子模型中的一个子模型中的分类层，得到所述N
×<...

【专利技术属性】
技术研发人员：张兴明，夏鲁宾，张雷，
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：