一种目标特征的识别方法及装置、计算机存储介质制造方法及图纸

本发明专利技术公开一种目标特征的识别方法及装置、计算机存储介质，涉及计算机视觉与模式识别技术领域，以基于目标属性跨域识别目标特征，提高目标特征的识别准确性。所述识别方法包括：获取目标域图像；根据目标域图像确定目标信息，该目标信息包括多个目标的属性信息和特征信息；根据多个目标的属性信息和特征信息建立目标特征关系图；利用图神经网络对所述目标特征关系图进行目标特征识别。所述装置执行上述技术方案所提的识别方法。本发明专利技术提供的目标特征的识别方法用于图像识别中。标特征的识别方法用于图像识别中。标特征的识别方法用于图像识别中。

【技术实现步骤摘要】
一种目标特征的识别方法及装置、计算机存储介质


[0001]本专利技术涉及计算机视觉与模式识别
，尤其涉及一种目标特征的识别方法及装置、计算机存储介质。

技术介绍

[0002]行人再识别是指对跨时间和地点不相交摄像头所拍摄的特定行人进行精准识别的技术。行人再识别技术可简单分为单域行人再识别技术和跨域行人再识别技术。其中单域行人再识别指模型在同一个数据集上进行训练和测试；而跨域行人再识别则使用不同的数据集进行训练和测试，其目的在于解决行人再识别技术从实验室到实际陌生环境下的落地应用问题。
[0003]随着深度学习的广泛应用，单域行人再识别研究已经取得了较高的再识别精度。但目前的行人再识别技术在面对跨域问题时依然存在不小的困难，简单地将在源域上进行训练所得到的模型应用于目标域上进行测试会导致行人再识别性能的急剧下降，导致跨域行人再识别技术的应用受到限制。

技术实现思路

[0004]本专利技术的目的在于提供一种目标特征的识别方法及装置、计算机存储介质，以基于目标属性跨域识别目标特征，提高目标特征的识别准确性。
[0005]为了达到上述目的，本专利技术提供一种目标特征的识别方法，包括：
[0006]获取目标域图像；
[0007]根据所述目标域图像确定目标信息，所述目标信息包括多个目标的属性信息和特征信息；
[0008]根据多个所述目标的属性信息和特征信息建立目标特征关系图；
[0009]利用图神经网络对所述目标特征关系图进行目标特征识别。
[0010]可选的，所述根据所述目标域图像确定目标信息，包括：
[0011]利用第一目标识别模型处理目标域图像，获得多个目标的特征信息；
[0012]利用第二目标识别模型处理目标图像信息，获得多个目标的属性信息。
[0013]可选的，所述第一目标识别模型为源域目标识别模型；所述源域目标识别模型的源域与所述目标域图像的目标域为同一区域或者不同区域。
[0014]可选的，所述第一目标识别模型的训练方式为监督式训练方式或者半监督式训练方式；和/或，
[0015]所述第一目标识别模型的损失函数包括联合交叉熵损失函数和/或三元组损失函数；和/或，
[0016]所述第二目标识别模型为YOLOv3属性识别算法或Knn属性识别算法。
[0017]可选的，所述根据多个所述目标的属性信息和特征信息建立目标特征关系图，包括：
[0018]根据两两所述目标的属性信息确定两两所述目标的属性相似度；
[0019]当两个所述目标的属性相似度满足特征关联条件时，在多个所述目标的特征信息中增加两个所述目标的特征关联信息，获得目标特征关系图。
[0020]可选的，每个所述目标的属性信息为目标的属性向量；其中，
[0021]所述属性相似度为余弦相似度cos(θ)，所述特征关联条件为cos(θ)≥threshold，
‑
1＜threshold＜1；或，
[0022]所述属性相似度为两个所述目标的属性向量内的元素匹配数量n，所述特征关联条件为两个所述目标的属性向量内的元素匹配数量n等于k，N/2＜k≤N，N为所述目标的属相向量的元素总数量N。
[0023]可选的，所述图神经网络的训练集为基于目标域的目标特征关系图。
[0024]可选的，所述图神经网络的训练集的损失函数的类型为欧氏距离或余弦距离。
[0025]与现有技术相比，本专利技术提供的目标特征的识别方法中，不论采用何种模型确定多个目标的属性信息和特征信息，都可以根据多个目标的属性信息和特征信息建立目标特征关系图，使得该目标特征关系图与各个目标的属性信息关联在一起。基于此，利用图神经网络对目标特征关系图进行目标特征识别时，所获得的每个目标的特征信息内含有的特征关联度比较高，从而保证目标特征识别的准确性。由此可见，本专利技术提供的目标特征的识别方法应用于跨域识别时，可以利用源域识别模型识别目标域的目标特征，并结合目标特征相似度重新构建检测对象(目标特征关系图)，以保证利用图神经网络识别图神经网络中的目标特征准确性，提高跨域行人再识别技术的应用范围。
[0026]本专利技术还提供一种目标特征的识别装置，其特征在于，包括处理器以及与处理器耦合的通信接口；所述处理器用于运行计算机程序或指令，以实现上述技术方案所述目标特征的识别方法。
[0027]与现有技术相比，本专利技术提供的目标特征的识别装置的有益效果与上述目标特征的识别方法的有益效果相同，在此不做赘述。
[0028]本专利技术还提供一种计算机存储介质，其特征在于，所述计算机存储介质中存储有指令，当所述指令被运行时，实现上述技术方案所述目标特征的识别方法。
[0029]与现有技术相比，本专利技术提供的计算机存储介质的有益效果与上述目标特征的识别方法的有益效果相同，在此不做赘述。
附图说明
[0030]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，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：
[0031]图1为本专利技术实施例提供的目标特征的识别方法的应用场景；
[0032]图2为本专利技术实施例提供的目标特征的识别方法的流程图；
[0033]图3为本专利技术实施例中目标特征关系图建立示意图；
[0034]图4为本专利技术实施例提供的目标特征的识别装置的结构框图；
[0035]图5为本专利技术实施例提供的一种电子设备的硬件结构示意图；
[0036]图6为本专利技术实施例提供的芯片的结构示意图。
具体实施方式
[0037]为了便于清楚描述本专利技术实施例的技术方案，在本专利技术的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
[0038]需要说明的是，本专利技术中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本专利技术中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
[0039]本专利技术中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标特征的识别方法，其特征在于，包括：获取目标域图像；根据所述目标域图像确定目标信息，所述目标信息包括多个目标的属性信息和特征信息；根据多个所述目标的属性信息和特征信息建立目标特征关系图；利用图神经网络对所述目标特征关系图进行目标特征识别。2.根据权利要求1所述的目标特征的识别方法，其特征在于，所述根据所述目标域图像确定目标信息，包括：利用第一目标识别模型处理目标域图像，获得多个目标的特征信息；利用第二目标识别模型处理目标图像信息，获得多个目标的属性信息。3.根据权利要求2所述的目标特征的识别方法，其特征在于，所述第一目标识别模型为源域目标识别模型；所述源域目标识别模型的源域与所述目标域图像的目标域为同一区域或者不同区域。4.根据权利要求2所述的目标特征的识别方法，其特征在于，所述第一目标识别模型的训练方式为监督式训练方式或者半监督式训练方式；和/或，所述第一目标识别模型的损失函数包括交叉熵损失函数和/或三元组损失函数；和/或，所述第二目标识别模型为YOLOv3属性识别算法或Knn属性识别算法。5.根据权利要求1所述的目标特征的识别方法，其特征在于，所述根据多个所述目标的属性信息和特征信息建立目标特征关系图，包括：根据两两所述目标的属性信息确定两两所述目标的属性相似度；当两个所述目...

【专利技术属性】
技术研发人员：赵芷君，钟汇才，李勇周，高兴宇，唐舸宇，
申请(专利权)人：中国科学院微电子研究所，
类型：发明
国别省市：