目标重识别方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种目标重识别方法及装置、电子设备和存储介质，所述方法包括：通过目标重识别网络，对目标图像进行特征提取，得到所述目标图像对应的第一特征，其中，所述目标重识别网络是基于图卷积网络进行辅助训练得到的；将所述第一特征与特征库中包括的多个第二特征进行特征匹配，得到所述目标图像对应的识别结果，其中，所述多个第二特征是通过所述目标重识别网络，对多个参考图像进行特征提取后得到的。本公开实施例可以提高目标重识别的识别准确率。准确率。准确率。

【技术实现步骤摘要】
目标重识别方法及装置、电子设备和存储介质


[0001]本公开涉及计算机
，尤其涉及一种目标重识别方法及装置、电子设备和存储介质。

技术介绍

[0002]车辆重识别(ReID，Re
‑
identification)是目标重识别的一种，车辆ReID的目的是，在图像库中检索与待识别的目标车辆图像相似度较高的参考车辆图像。车辆ReID的广泛应用，大大减轻了工作人员查看录像的时间。因此，车辆ReID可以被广泛的应用到车辆追踪，智能交通，城市救援等诸多的应用场景。但是，由于待识别的目标车辆图像，以及图像库中存储的多个参考车辆图像，往往是由不同的图像采集设备采集得到的，使得光照、视角、遮挡等原因会影响车辆图像的有效信息。例如，由于光照、视角、遮挡等原因的影响，同一车辆对应的多个车辆图像的差异可能较大，或者，不同车辆对应的多个车辆图像的差异可能较小，这将会导致车辆ReID的识别准确率较低。

技术实现思路

[0003]本公开提出了一种目标重识别方法及装置、电子设备和存储介质的技术方案。
[0004]根据本公开的一方面，提供了一种目标重识别方法，包括：通过目标重识别网络，对目标图像进行特征提取，得到所述目标图像对应的第一特征，其中，所述目标重识别网络是基于图卷积网络进行辅助训练得到的；将所述第一特征与特征库中包括的多个第二特征进行特征匹配，得到所述目标图像对应的识别结果，其中，所述多个第二特征是通过所述目标重识别网络，对多个参考图像进行特征提取后得到的。
[0005]在一种可能的实现方式中，所述目标重识别网络的训练样本中包括N个样本图像；所述目标重识别网络的训练方法如下：通过所述目标重识别网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第三特征；通过所述图卷积网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第四特征；根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失；根据所述第一网络损失，优化所述目标重识别网络。
[0006]在一种可能的实现方式中，所述通过所述图卷积网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第四特征，包括：通过所述图卷积网络对所述N个样本图像进行分层特征提取，得到每个所述样本图像对应的第一局部特征和第二局部特征；对每个所述样本图像对应的所述第一局部特征和所述第二局部特征进行融合，得到每个所述样本图像对应的所述第四特征。
[0007]在一种可能的实现方式中，所述第一网络损失包括第一损失；所述根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失，包括：根据每个所述样本图像对应的所述第三特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的第一分类预测结果；根据每个所述样本图像对应的所述第四特征，对所述N个样本图像进行
分类，确定每个所述样本图像对应的第二分类预测结果；根据每个所述样本图像对应的所述第一分类预测结果和所述第二分类预测结果，确定所述第一损失。
[0008]在一种可能的实现方式中，所述根据每个所述样本图像对应的所述第四特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的第二分类预测结果，包括：根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的初始特征连通图；利用所述图卷积网络，对每个所述样本图像对应的初始特征连通图，进行特征聚合，得到每个所述样本图像对应的聚合后特征；根据每个所述样本图像对应的聚合后特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的所述第二分类预测结果。
[0009]在一种可能的实现方式中，所述第一网络损失包括第二损失；所述根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失，包括：根据每个所述样本图像对应的所述第三特征，确定每个所述样本图像对应的第一目标特征连通图；根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的第二目标特征连通图；根据每个所述样本图像对应的所述第一目标特征连通图和所述第二目标特征连通图，确定所述第二损失。
[0010]在一种可能的实现方式中，所述根据所述第一网络损失，优化所述目标重识别网络，包括：通过所述第一损失和/或所述第二损失，优化所述目标重识别网络。
[0011]在一种可能的实现方式中，所述根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的第二目标特征连通图，包括：将每个所述样本图像对应的所述第四特征，确定为每个所述样本图像对应的一个特征节点，得到N个特征节点；将与目标特征节点之间距离最近的P个最近邻特征节点，确定为所述目标特征节点对应的第一级最近邻特征节点，其中，所述目标特征节点是目标样本图像对应的特征节点，所述目标样本图像是所述多个样本图像中的任意一个；将与每个所述第一级最近邻特征节点之间距离最近的Q个最近邻特征节点，确定为所述目标特征节点对应的第二级最近邻特征节点；根据所述第一级最近邻特征节点、以及所述第二级最近邻特征节点，确定所述目标样本图像对应的初始特征连通图；根据所述目标样本图像对应的初始特征连通图，确定所述目标样本图像对应的所述第二目标特征连通图。
[0012]在一种可能的实现方式中，所述目标样本图像对应的初始特征连通图中包括第一特征节点集合和第一邻接矩阵；所述根据所述第一级最近邻特征节点、以及所述第二级最近邻特征节点，确定所述目标样本图像对应的初始特征连通图，包括：根据所述目标特征节点，对所述N个特征节点进行归一化，得到归一化后的N个特征节点；根据所述归一化后的N个特征节点中包括归一化后的第一级最近邻特征节点，以及归一化后的第二级最近邻特征节点，构成所述第一特征节点集合；针对所述第一特征节点集合中的第i个特征节点，在所述归一化后的N个特征节点中确定与所述第i个特征节点距离最近的m个最近邻特征节点；在所述第i个特征节点与第j个最近邻特征节点之间确定特征连接边，其中，所述第j个最近邻特征节点是存在于所述第一特征节点集合中的特征节点；根据所述第一特征节点集合中每个所述特征节点对应的连接关系，确定所述第一邻接矩阵。
[0013]在一种可能的实现方式中，所述第二目标特征连通图中包括第二特征节点集合和第二邻接矩阵；所述根据所述目标样本图像对应的初始特征连通图，确定所述目标样本图像对应的所述第二目标特征连通图，包括：将所述归一化后的N个特征节点中不存在于所述
第一特征节点集合中的特征节点，添加到所述第一特征节点集合，构成所述第二特征节点集合；针对所述第二特征节点集合中的伪特征节点，在所述归一化后的N个特征节点中确定所述伪特征节点对应的最近邻特征节点，其中，所述伪特征节点是所述归一化后的N个特征节点中不存在于所述第一特征节点集合中的任意一个特征节点；在所述伪特征节点与所述伪特征节点对应的最近邻特征节点之间确定伪特征连接边；根据所述第二特征节点集合中每个所述特征节点对应的连接关系，确定所述第二邻接矩阵。
[0014]在一种可能的实现方式中，所述训练样本中还包括每个所述样本图像对应的真实标签本文档来自技高网...

【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：通过目标重识别网络，对目标图像进行特征提取，得到所述目标图像对应的第一特征，其中，所述目标重识别网络是基于图卷积网络进行辅助训练得到的；将所述第一特征与特征库中包括的多个第二特征进行特征匹配，得到所述目标图像对应的识别结果，其中，所述多个第二特征是通过所述目标重识别网络，对多个参考图像进行特征提取后得到的。2.根据权利要求1所述的方法，其特征在于，所述目标重识别网络的训练样本中包括N个样本图像；所述目标重识别网络的训练方法如下：通过所述目标重识别网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第三特征；通过所述图卷积网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第四特征；根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失；根据所述第一网络损失，优化所述目标重识别网络。3.根据权利要求2所述的方法，其特征在于，所述通过所述图卷积网络对所述N个样本图像进行图像处理，得到每个所述样本图像对应的第四特征，包括：通过所述图卷积网络对所述N个样本图像进行分层特征提取，得到每个所述样本图像对应的第一局部特征和第二局部特征；对每个所述样本图像对应的所述第一局部特征和所述第二局部特征进行融合，得到每个所述样本图像对应的所述第四特征。4.根据权利要求2或3所述的方法，其特征在于，所述第一网络损失包括第一损失；所述根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失，包括：根据每个所述样本图像对应的所述第三特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的第一分类预测结果；根据每个所述样本图像对应的所述第四特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的第二分类预测结果；根据每个所述样本图像对应的所述第一分类预测结果和所述第二分类预测结果，确定所述第一损失。5.根据权利要求4所述的方法，其特征在于，所述根据每个所述样本图像对应的所述第四特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的第二分类预测结果，包括：根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的初始特征连通图；利用所述图卷积网络，对每个所述样本图像对应的初始特征连通图，进行特征聚合，得到每个所述样本图像对应的聚合后特征；根据每个所述样本图像对应的聚合后特征，对所述N个样本图像进行分类，确定每个所述样本图像对应的所述第二分类预测结果。
6.根据权利要求2至5中任意一项所述的方法，其特征在于，所述第一网络损失包括第二损失；所述根据每个所述样本图像对应的所述第三特征和所述第四特征，确定第一网络损失，包括：根据每个所述样本图像对应的所述第三特征，确定每个所述样本图像对应的第一目标特征连通图；根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的第二目标特征连通图；根据每个所述样本图像对应的所述第一目标特征连通图和所述第二目标特征连通图，确定所述第二损失。7.根据权利要求4至6中任意一项所述的方法，其特征在于，所述根据所述第一网络损失，优化所述目标重识别网络，包括：通过所述第一损失和/或所述第二损失，优化所述目标重识别网络。8.根据权利要求6所述的方法，其特征在于，所述根据每个所述样本图像对应的所述第四特征，确定每个所述样本图像对应的第二目标特征连通图，包括：将每个所述样本图像对应的所述第四特征，确定为每个所述样本图像对应的一个特征节点，得到N个特征节点；将与目标特征节点之间距离最近的P个最近邻特征节点，确定为所述目标特征节点对应的第一级最近邻特征节点，其中，所述目标特征节点是目标样本图像对应的特征节点，所述目标样本图像是所述多个样本图像中的任意一个；将与每个所述第一级最近邻特征节点之间距离最近的Q个最近邻特征节...

【专利技术属性】
技术研发人员：钱文呢，何智群，武伟，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：