本申请属于图像处理技术领域，尤其涉及一种目标重识别方法及其模型获取方法、装置和终端设备，该模型获取方法包括：利用训练样本集中预设占比的样本图片进行视角识别模型训练，得到视角识别模型；将训练样本集中的所有样本图片通过视角识别模型，得到带视角标注的样本图片；利用带视角标注的样本图片对神经网络进行迭代训练，得到视角解耦的目标重识别模型，其中，在训练过程中，通过对输入的带视角标注的样本图片进行目标对象特征提取，将目标对象特征中的身份特征和视角特征进行解耦，并根据解耦后的身份特征输出目标对象的身份分类结果。可以解决由于摄像头拍摄对象的视角不同所带来的重识别准确率下降的问题。带来的重识别准确率下降的问题。带来的重识别准确率下降的问题。
【技术实现步骤摘要】
目标重识别方法及其模型获取方法、装置和终端设备
[0001]本申请涉及图像处理
，尤其涉及一种目标重识别方法及其模型获取方法、装置和终端设备。
技术介绍
[0002]在如安防、搜捕等场景中，如行人、车辆等重识别作为安防领域的重要组成部分起到的作用越来越大。以行人重识别任务为例，在重识别过程中，需要对出现在不同摄像头下的同一行人进行识别。但是在行人重识别任务中，不可避免地会出现多变的行人视角，这就导致了在训练行人重识别模型时会受到身份、视角等多个因素的干扰，导致模型识别效果性能变差。
技术实现思路
[0003]有鉴于此，本申请实施例提供一种目标重识别模型获取方法、目标重识别方法、装置、终端设备和可读存储介质。
[0004]第一方面，本申请实施例提供一种目标重识别模型获取方法，包括：
[0005]利用训练样本集中预设占比的样本图片进行视角识别模型训练，得到视角识别模型；
[0006]将所述训练样本集中的所有样本图片通过所述视角识别模型，得到带视角标注的样本图片；
[0007]利用所述带视角标注的样本图片对神经网络进行迭代训练，得到视角解耦的目标重识别模型，其中，在训练过程中，通过对输入的带视角标注的样本图片进行目标对象特征提取，将所述目标对象特征中的身份特征和视角特征进行解耦，并根据解耦后的身份特征输出所述目标对象的身份分类结果。
[0008]在一些实施例中，所述预设占比的样本图片由三种视角类别均衡的多个样本图片构成，其中，所述三种视角类别分别包括识别对象的正面、背面及侧面；
[0009]所述视角识别模型为用于识别目标对象的视角信息的三分类识别模型。
[0010]在一些实施例中，所述目标重识别模型的网络结构包括：依次设置的特征提取层、池化层、第一全连接层和第二全连接层；
[0011]所述特征提取层用于对输入的带视角标注的样本图片进行目标对象特征提取；所述池化层用于对提取到的特征进行降维，得到维度为1
×
N的低维特征；所述第一全连接层用于将所述低维特征分解为维度为1
×
N1的视角特征和维度为1
×
N2的身份特征，其中，N、N1和N2均为自然数；所述第二全连接层用于将拼接的所述视角特征和所述身份特征进行身份分类，得到所述目标对象的身份分类结果。
[0012]在一些实施例中，在所述目标重识别模型的训练过程中，根据损失函数计算得到的损失值来调整网络参数，直到更新后计算得到的损失值满足预设条件时停止训练；
[0013]所述损失值包括所述目标对象的身份特征的三元组损失项和交叉熵损失项、以及
所述目标对象的视角特征的对比损失项。
[0014]在一些实施例中，所述身份特征的三元组损失项和交叉熵损失项分别通过三元组损失函数和交叉熵损失函数计算得到；
[0015]其中，所述三元组损失函数基于当前样本图片和正样本图片中识别对象的身份特征之间的距离与所述当前样本图片和负样本图片中识别对象的身份特征之间的距离的差值大于预设差值阈值的约束条件构建；其中，所述正样本图片与所述当前样本图片中识别对象的身份相同，所述负样本图片与所述当前样本图片中识别对象的身份不同。
[0016]在一些实施例中，所述视角特征的对比损失项通过对比损失函数计算得到；
[0017]其中，所述对比损失函数基于当前样本图片和所述训练样本集中具有相同视角的其他图片之间的欧式距离趋于零且和具有不同视角的其他图片之间的欧式距离大于预设距离的约束条件构建。
[0018]在一些实施例中，所述目标重识别模型为行人重识别模型或车辆重识别模型。
[0019]第二方面，本申请实施例还提供一种目标重识别方法，包括：
[0020]将待识别图片输入到目标重识别推理模型中，获得与视角解耦的目标对象的身份特征；其中，所述目标重识别推理模型通过将由上述方法得到的目标重识别模型进行输出层处理得到；
[0021]计算所述目标对象的身份特征分别与预先注册的若干已识别对象的经视角解耦的身份特征之间的距离，并从多个距离中选取出最短距离；
[0022]基于所述最短距离，确定对所述目标对象的重识别结果。
[0023]在一些实施例中，所述基于所述最短距离，确定对所述目标对象的重识别结果，包括：
[0024]在所述最短距离大于或等于预设距离阈值时，确定所述目标对象为所述若干已识别对象中的且身份对应于所述最短距离的特定对象；
[0025]在所述最短距离小于所述预设距离阈值时，确定所述目标对象为陌生对象。
[0026]在一些实施例中，所述将待识别图片输入到目标重识别推理模型中，之前还包括：
[0027]将注册的若干含识别对象的图片输入所述目标重识别推理模型中，输出经过视角解耦的各个识别对象的身份特征并进行存储。
[0028]第三方面，本申请实施例还提供一种目标重识别模型获取装置，包括：
[0029]第一训练模块，用于利用训练样本集中预设占比的样本图片进行视角识别模型训练，得到视角识别模型；
[0030]样本标注模块，用于将所述训练样本集中的所有样本图片通过所述视角识别模型，得到带视角标注的样本图片；
[0031]第二训练模块，用于利用所述带视角标注的样本图片对神经网络进行迭代训练，得到视角解耦的目标重识别模型，其中，在训练过程中，通过对输入的带视角标注的样本图片进行目标对象特征提取，将所述目标对象特征中的身份特征和视角特征进行解耦，并根据解耦后的身份特征输出所述目标对象的身份分类结果。
[0032]第四方面，本申请实施例还提供一种终端设备，所述终端设备包括处理器和存储器，所述存储器存储有计算机程序，所述处理器用于执行所述计算机程序以实施上述的目标重识别模型获取方法或目标重识别方法。
[0033]第五方面，本申请实施例还提供一种可读存储介质，其存储有计算机程序，所述计算机程序在处理器上执行时，实施上述的目标重识别模型获取方法或目标重识别方法。
[0034]本申请具有如下有益效果：
[0035]本申请提出的目标重识别方法通过在模型训练阶段先训练得到一个视角识别模型以进行视角标注，再利用带视角标注的样本图片训练出目标重识别模型，其中训练过程中，将目标对象的身份信息和视角信息进行解耦处理，实现只使用包含身份信息的部分特征进行目标对象的身份分类，而在实际部署阶段，将目标重识别推理模型进行部署，以解决由于摄像头拍摄对象的视角不同所带来的重识别准确率下降的问题，由于也不需要在推理时引入额外的视角分类阶段，可大大降低模型网络参数调整的难度等。
附图说明
[0036]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种目标重识别模型获取方法，其特征在于，包括：利用训练样本集中预设占比的样本图片进行视角识别模型训练，得到视角识别模型；将所述训练样本集中的所有样本图片通过所述视角识别模型，得到带视角标注的样本图片；利用所述带视角标注的样本图片对神经网络进行迭代训练，得到视角解耦的目标重识别模型，其中，在训练过程中，通过对输入的带视角标注的样本图片进行目标对象特征提取，将所述目标对象特征中的身份特征和视角特征进行解耦，并根据解耦后的身份特征输出所述目标对象的身份分类结果。2.根据权利要求1所述的目标重识别模型获取方法，其特征在于，所述预设占比的样本图片由三种视角类别均衡的多个样本图片构成，其中，所述三种视角类别分别包括识别对象的正面、背面及侧面；所述视角识别模型为用于识别目标对象的视角信息的三分类识别模型。3.根据权利要求1所述的目标重识别模型获取方法，其特征在于，所述目标重识别模型的网络结构包括：依次设置的特征提取层、池化层、第一全连接层和第二全连接层；所述特征提取层用于对输入的带视角标注的样本图片进行目标对象特征提取；所述池化层用于对提取到的特征进行降维，得到维度为1
×
N的低维特征；所述第一全连接层用于将所述低维特征分解为维度为1
×
N1的视角特征和维度为1
×
N2的身份特征，其中，N、N1和N2均为自然数；所述第二全连接层用于将拼接的所述视角特征和所述身份特征进行身份分类，得到所述目标对象的身份分类结果。4.根据权利要求1至3任一项所述的目标重识别模型获取方法，其特征在于，在所述目标重识别模型的训练过程中，根据损失函数计算得到的损失值来调整网络参数，直到更新后计算得到的损失值满足预设条件时停止训练；所述损失值包括所述目标对象的身份特征的三元组损失项和交叉熵损失项、以及所述目标对象的视角特征的对比损失项。5.根据权利要求4所述的目标重识别模型获取方法，其特征在于，所述身份特征的三元组损失项和交叉熵损失项分别通过三元组损失函数和交叉熵损失函数计算得到；其中，所述三元组损失函数基于当前样本图片和正样本图片中识别对象的身份特征之间的距离与所述当前样本图片和负样本图片中识别对象的身份特征之间的距离的差值大于预设差值阈值的约束条件构建，其中，所述正样本图片与所述当前样本图片中识别对象的身份相同，所述负样本图片与所述当前样本图片中识别对象的身份不同。6.根据权利要求4所述的目标重识别模型获取方法，其特征在于，所述视角特征的对比...
【专利技术属性】
技术研发人员：胡淑萍，王侃，庞建新，谭欢，
申请(专利权)人：深圳市优必选科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。