CN109886185A - 一种目标识别方法、装置、电子设备和计算机存储介质 - Google Patents

Abstract

本发明实施例公开了一种目标识别方法、装置、电子设备和计算机存储介质，该方法包括：根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果；如此，本发明实施例在对初始结果序列进行重新排序时，只需要利用训练完成的目标识别模型便可以实现，无需使用额外的监督信息；并且，引入参考数据，可以使目标识别的重新排序结果具有较高的准确性和可靠性。

Description

一种目标识别方法、装置、电子设备和计算机存储介质

技术领域

本发明涉及计算机识别技术，尤其涉及一种目标识别方法、装置、电子设备和计算机存储介质。

背景技术

在计算机识别领域，在进行目标识别如行人重识别(Person re-identification)后，可以对识别结果进行重新排序，使得正确匹配的结果在结果序列中更加的靠前，匹配错误的结果更加的靠后；然而，上述对识别结果进行重新排序的方案，需要使用到额外的监督信息(例如可以是用户提供的信息)，进而，在实际应用时具有很大的局限性。

发明内容

本发明实施例期望提供目标识别的技术方案。

本发明实施例提供了一种目标识别方法，所述方法包括：

根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；

获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果。

可选地，所述根据训练数据集，训练目标识别模型，包括：

根据所述目标数据和所述至少一个参考数据的相似程度，训练目标识别模型。

可选地，所述目标识别模型为双向的长短时记忆网络(Bi-LSTM)模型；所述Bi-LSTM模型的输入为所述目标数据和所述参考数据集的各个参考数据；所述Bi-LSTM模型的输出为所述目标数据和所述参考数据集各个参考数据的相似程度。

可选地，所述方法还包括：在根据训练数据集，训练目标识别模型之前，构造训练数据集；

所述构造训练数据集包括：

从原始数据集中选取出目标数据集，所述目标数据集包括至少一个目标数据；针对目标数据集的每个目标数据，选取出参考数据集，所述参考数据集包括：与对应的目标数据的标识信息相同的数据、以及与对应的目标数据的标识信息不同的数据。

可选地，所述根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，包括：

根据所述训练完成的目标识别模型，确定所述目标数据与所述初始结果序列中前K个数据的相似程度，根据所述目标数据与所述初始结果序列中前K个数据的相似程度，对所述初始结果序列中前K个数据进行重新排序，K为大于1的整数。

可选地，所述参考数据和所述目标数据均为图片数据。

可选地，所述参考数据和所述目标数据均为行人图片数据。

本发明实施例还提出了一种目标识别装置，所述装置包括：训练模块和重排序模块，其中，

训练模块，用于根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；

重排序模块，用于获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果。

可选地，所述训练模块，具体用于根据所述目标数据和所述至少一个参考数据的相似程度，训练目标识别模型。

可选地，所述目标识别模型为Bi-LSTM模型；所述Bi-LSTM模型的输入为所述目标数据和所述参考数据集的各个参考数据；所述Bi-LSTM模型的输出为所述目标数据和所述参考数据集各个参考数据的相似程度。

可选地，所述装置还包括构造模块，所述构造模块用于在根据训练数据集，训练目标识别模型之前，构造训练数据集；

所述构造模块，具体用于从原始数据集中选取出目标数据集，所述目标数据集包括至少一个目标数据；针对目标数据集的每个目标数据，选取出参考数据集，所述参考数据集包括：与对应的目标数据的标识信息相同的数据、以及与对应的目标数据的标识信息不同的数据。

可选地，所述重排序模块，具体用于根据所述训练完成的目标识别模型，确定所述目标数据与所述初始结果序列中前K个数据的相似程度，根据所述目标数据与所述初始结果序列中前K个数据的相似程度，对所述初始结果序列中前K个数据进行重新排序，K为大于1的整数。

可选地，所述参考数据和所述目标数据均为图片数据。

可选地，所述参考数据和所述目标数据均为行人图片数据。

本发明实施例还提出了一种电子设备，该电子设备包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，实现上述任意一种目标识别方法。

本发明实施例还提出了一种计算机存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述任意一种目标识别方法。

基于本发明实施例的提出的目标识别方法、装置、电子设备和计算机存储介质中，根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果；如此，本发明实施例在对初始结果序列进行重新排序时，只需要利用训练完成的目标识别模型便可以实现，无需使用额外的监督信息；并且，在训练目标识别模型时，引入参考数据，可以提升目标识别模型的准确性和可靠性，进而，使目标识别的重新排序结果具有较高的准确性和可靠性。

附图说明

图1为本发明实施例的目标识别方法的流程图；

图2为本发明实施例构造的训练数据集的结构示意图；

图3为本发明实施例中双向的长短时记忆网络模型的结构示意图；

图4A为本发明实施例的目标识别装置的组成结构示意图一；

图4B为本发明实施例的目标识别装置的组成结构示意图二；

图5为本发明实施例的电子设备的硬件结构示意图。

具体实施方式

以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所提供的实施例仅仅用以解释本发明，并不用于限定本发明。另外，以下所提供的实施例是用于实施本发明的部分实施例，而非提供实施本发明的全部实施例，在不冲突的情况下，本发明实施例记载的技术方案可以任意组合的方式实施。

需要说明的是，在本发明实施例中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的方法或者装置不仅包括所明确记载的要素，而且还包括没有明确列出的其他要素，或者是还包括为实施方法或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的方法或者装置中还存在另外的相关要素(例如方法中的步骤或者装置中的单元，例如的单元可以是部分电路、部分处理器、部分程序或软件等等)。

例如，本发明实施例提供的目标识别方法包含了一系列的步骤，但是本发明实施例提供的目标识别方法不限于所记载的步骤，同样地，本发明实施例提供的目标识别装置包括了一系列模块，但是本发明实施例提供的装置不限于包括所明确记载的模块，还可以包括为获取相关信息、或基于信息进行处理时所需要设置的模块。

本发明实施例可以应用于终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。

终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。

下面以行人重识别为例，对相关技术存在的问题进行示例性说明。行人重识别也称行人再识别，是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术；具体地，给定一个监控行人图像，检索跨设备下的该行人图像；旨在弥补目前固定的摄像头的视觉局限，并可与行人检测/行人跟踪技术相结合，可广泛应用于智能视频监控、智能安保等领域。

由于不同摄像设备之间的差异，同时行人兼具刚性和柔性的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人重识别成为计算机视觉领域中一个既具有研究价值同时又极具挑战性的热门课题；目前已有很多研究者提出了的不同的行人再识别方法，并取得了一定的效果。

重排序(Re-ranking)是指对行人再识别方法产生的结果序列进行重新排序，使得正确匹配的结果在结果序列中更加的靠前，匹配错误的结果更加的靠后；可以理解的是，一个良好的Re-ranking方法可以大幅提升行人再识别方法的准确率。虽然Re-ranking对行人再识别非常关键，但是目前专门对行人再识别Re-ranking技术进行研究的方法却很少，同时大部分已有的re-ranking方法都需要额外的监督信息，具有很高的计算复杂度，因而在实际应用时具有很大的局限。

针对上述技术问题，本发明实施例提出了一种目标识别方法；本发明实施例中，并不对所要识别的目标的种类进行限定，示例性地，可以实现对图像、文本等各种类型的目标进行识别；在一个具体的示例中，在智能视频分析或安防监控领域，可以实现对行人或其他物体进行图像识别。

图1为本发明实施例的目标识别方法的流程图，如图1所示，该流程可以包括：

步骤101：根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，训练数据集包括目标数据和至少一个参考数据，参考数据与目标数据的标识信息不同。

这里，训练数据集表示预先构造的训练数据的集合，在训练数据集中，参考数据与目标数据的数据类型相同；具体地，参考数据与目标数据可以均为图片、文本或其他数据类型；进一步地，参考数据和目标数据均为行人图片数据；标识信息用于标识对应数据，参考数据和目标数据的标识信息不同，则说明参考数据和目标数据是对应不同的目标的数据，例如，在图像识别中，参考数据和目标数据均为行人图片数据，但参考数据和目标数据对应不同的行人；在文本识别中，参考数据和目标数据均为文本数据，但参考数据和目标数据对应不同的文本内容。

实际应用中，目标识别模型是可以根据目标数据和参考数据的相似程度进行训练的模型，例如，目标识别模型为长短时记忆网络(Bi-LSTM)模型。

对于构造训练数据集的实现方式，在一个示例中，首先，可以从原始数据集中选取出目标数据集，目标数据集包括至少一个目标数据；然后，可以针对目标数据集的每个目标数据，选取出参考数据集，参考数据集包括：与对应的目标数据的标识信息相同的数据、以及与对应的目标数据的标识信息不同的数据。

在一个具体的示例中，可以选择M个行人图片作为Probe集合，然后为每个probe(相当于目标数据)构造随机构造Gallery set(相当于参考数据集)，每个Gallery set可以包括N个行人图片，N个行人图片中有一部分与对应的probe具有相同的ID，剩余部分图片的ID与对应的probe不同；其中，M和N均为大于1的整数。

对于根据训练数据集，训练目标识别模型的实现方式，在一个示例中，可以确定目标数据和上述至少一个参考数据的相似程度，根据目标数据和上述至少一个参考数据的相似程度，训练目标识别模型；实际应用中，目标数据和参考数据的相似程度可以用相似性得分(similarity score)表示。

在一个具体的示例中，当目标识别模型为Bi-LSTM模型Bi-LSTM模型的输入为目标数据和参考数据集的各个参考数据；Bi-LSTM模型的输出为目标数据和参考数据集各个参考数据的相似程度。

本发明实施例中，引入参考数据的目的在于提升目标识别模型的准确性和可靠性；下面以行人图片识别为例说明其原理，当判断两幅图片的相似程度时，如果可以有第三张图片或更多图片作为参考，那么我们可以更容易的判断出这两幅图片的相似性程度，也对该决策更加的确信；因而，在利用计算机进行图像识别时，当计算两幅行人图片的相似性时，如果不仅利用两幅待考察图片的特征信息，同时也使用其他行人图片的特征信息，比如属于同一人的不同图片信息，那么计算出的相似性具有更高的可信性。

步骤102：获取目标识别的初始结果序列，根据训练完成的目标识别模型，对初始结果序列进行重新排序，得到目标识别的重新排序结果。

这里，目标识别的初始结果序列可以是根据现有的目标识别方法得出的排序结果；本发明实施例中，目标识别的初始结果序列可以是目标识别的前K个结果序列，K为大于1的整数，特别地，当K等于目标识别的初始结果序列的数据个数时，目标识别的初始结果序列是目标识别的所有结果序列。

对于本步骤的实现方式，示例性地，可以使用训练完成的目标识别模型，确定目标数据与上述初始结果序列中前K个数据的相似程度，根据目标数据与上述初始结果序列中前K个数据的相似程度，对上述初始结果序列中前K个数据进行重新排序，得到目标识别的重新排序结果。

以行人图片识别为例，可以使用训练完成的目标识别模型，对行人再识别的初始结果序列进行重新排序，在重新排序的过程中，并不需要额外的监督信息。

步骤101至步骤102可以利用电子设备中的处理器实现，上述处理器可以为特定用途集成电路(Application Specific Integrated Circuit，ASIC)、数字信号处理器(Digital Signal Processor，DSP)、数字信号处理装置(Digital Signal ProcessingDevice，DSPD)、可编程逻辑装置(Programmable Logic Device，PLD)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器中的至少一种。

相关技术中进行目标识别重新排序时，需要使用额外的监督信息甚至需要使用与用户进行互动反馈得到的信息；而本发明实施例中，在对初始结果序列进行重新排序时，只需要利用训练完成的目标识别模型便可以实现，无需使用额外的监督信息，可以实现完全的自动化重排序。

相关技术中，利用目标识别(如行人再识别)产生的结果序列的准确率比较低；而在本发明实施例中，在目标识别的初始结果序列的基础上，充分利用上述初始结果序列中的信息、以及训练完成的目标识别模型，对目标识别的初始结果序列进行重新排序，可以提高目标识别的准确率。

相关技术中，进行目标识别重新排序时，需要进行较为复杂的计算；例如，在对行人再识别的结果进行重新排序时，对于给定的一个行人图片，需要搜索的图片量是非常巨大的，而目前的很多的重排序方法需要进行多次却又非常复杂的最近邻匹配操作，甚至需要遍历整个图片库进行比对，因而，这些方法具有非常大的计算复杂度；而在本发明实施例中，只需要利用训练完成的目标识别模型评估目标数据和上述初始结果序列中各个数据的相似程度，便可以得出重排序后的结果，无需进行复杂的迭代操作，降低了计算复杂度，在进行目标识别重新排序时的计算复杂度可以是线性的计算复杂度。

相关技术中，行人再识别的重排序方法很难适用于其他的目标识别方法；而在本发明实施例中，不仅可以应用于行人再识别方法，还可以应用于对任何目标识别的结果序列进行重排序的场景。

以对行人再识别的结果进行重排序为例，本发明实施例的目标识别方法可由包括训练数据集构造、训练模型和使用模型三个流程，下面分别对这三个流程进行具体示例性说明。

一、训练数据集构造。

随机从原始数据集中选出M个行人图片作为目标数据集(probe set)；图2为本发明实施例构造的训练数据集的结构示意图，参照图2，可以为probe set中的每个目标数据(probe)挑选N个行人图片作为参考数据集(gallery set)，N个行人图片中有一部分和probe具有相同的标识信息，剩余部分图片的标识信息与probe不同，这里的标识信息可以是身份标识(ID)，M和N均为大于或等于1的整数。

二、训练模型。

在计算两幅行人图片的相似性时，不仅要利用两幅待考察图片的特征信息，同时也使用其他图片的特征信息，比如属于同一人的不同图片信息，这样，可以使计算出的两幅待考察图片的相似性具有更高的可信性；在此基础上，可以使用双向的长短时记忆网络(Bi-LSTM)模型作为目标识别模型。

对于双向的长短时记忆网络中，网络的输入是每个probe的特征向量与probe对应的每个参考数据(gallery image)的特征向量的合并(concatenation)；网络的输出为probe与对应的gallery image的相似性得分(similarity score)。实际应用中，如果probe与对应gallery image的ID相同，则对应的标签label可以记为1，否则可以记为0。

图3为本发明实施例中双向的长短时记忆网络模型的结构示意图，如图3所示，LSTM表示Bi-LSTM模型，[P,G1]、[P,G2]…[P,Gn]分别表示probe与各个gallery image进行相似性得分计算，sim_score表示计算出的相似性得分。

三、使用模型。

在得到训练完成的Bi-LSTM模型后，可以直接对行人再识别方法产生的初始结果序列进行重排序；具体地，可以从初始结果序列中选取前K个结果序列，将选取的前K个结果序列与probe一起输入至训练完成的Bi-LSTM模型，然后，训练完成的Bi-LSTM模型可以直接输出probe与每个参考数据的相似性得分，最后，依据这些相似性得分可以重新对上述选取的前K个结果序列进行重新排序，即得到重新排序后的结果；在整个对初始结果序列进行重排序的过程中，并不需要使用任何额外的监督信息。

在前述实施例提出的目标识别方法的基础上，本发明实施例提出了一种目标识别装置。

图4A为本发明实施例的目标识别装置的组成结构示意图一，如图4A所示，上述装置位于电子设备中，上述装置包括：训练模块401和重排序模块402，其中，

训练模块401，用于根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，训练数据集包括目标数据和至少一个参考数据，参考数据与目标数据的标识信息不同；

重排序模块402，用于获取目标识别的初始结果序列，根据训练完成的目标识别模型，对初始结果序列进行重新排序，得到目标识别的重新排序结果。

在一实施方式中，训练模块401，具体用于根据目标数据和至少一个参考数据的相似程度，训练目标识别模型。

在一实施方式中，目标识别模型为Bi-LSTM模型；Bi-LSTM模型的输入为目标数据和参考数据集的各个参考数据；Bi-LSTM模型的输出为目标数据和参考数据集各个参考数据的相似程度。

在一实施方式中，重排序模块402，具体用于根据训练完成的目标识别模型，确定目标数据与初始结果序列中前K个数据的相似程度，根据目标数据与初始结果序列中前K个数据的相似程度，对初始结果序列中前K个数据进行重新排序，K为大于1的整数。

在一实施方式中，参考数据和目标数据均为图片数据。

在一实施方式中，参考数据和目标数据均为行人图片数据。

图4B为本发明实施例的目标识别装置的组成结构示意图二，如图4B所示，上述装置包括：训练模块401、重排序模块402和构造模块403，其中，训练模块401和重排序模块402的实现方式与图4A中训练模块401和重排序模块402的实现方式相同，这里不再赘述；构造模块403，用于在根据训练数据集，训练目标识别模型之前，构造训练数据集；

构造模块403，具体用于从原始数据集中选取出目标数据集，目标数据集包括至少一个目标数据；针对目标数据集的每个目标数据，选取出参考数据集，参考数据集包括：与对应的目标数据的标识信息相同的数据、以及与对应的目标数据的标识信息不同的数据。

另外，在本实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时，可以存储在一个计算机可读取存储介质中，基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

具体来讲，本实施例中的一种目标识别方法对应的计算机程序指令可以被存储在光盘，硬盘，U盘等存储介质上，当存储介质中的与一种目标识别方法对应的计算机程序指令被一电子设备读取或被执行时，实现前述实施例的任意一种目标识别方法。

基于前述实施例相同的技术构思，参见图5，其示出了本发明实施例提供的一种电子设备50，可以包括：存储器51和处理器52；其中，

存储器51，用于存储计算机程序和数据；

处理器52，用于执行存储器中存储的计算机程序，以实现前述实施例的任意一种目标识别方法。

在实际应用中，上述存储器51可以是易失性存储器(volatile memory)，例如RAM；或者非易失性存储器(non-volatile memory)，例如ROM，快闪存储器(flash memory)，硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；或者上述种类的存储器的组合，并向处理器52提供指令和数据。

上述处理器52可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地，对于不同的设备，用于实现上述处理器功能的电子器件还可以为其它，本发明实施例不作具体限定。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种目标识别方法，其特征在于，所述方法包括：

根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；

获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果。

2.根据权利要求1所述的方法，其特征在于，所述根据训练数据集，训练目标识别模型，包括：

根据所述目标数据和所述至少一个参考数据的相似程度，训练目标识别模型。

3.根据权利要求2所述的方法，其特征在于，所述目标识别模型为双向的长短时记忆网络Bi-LSTM模型；所述Bi-LSTM模型的输入为所述目标数据和所述参考数据集的各个参考数据；所述Bi-LSTM模型的输出为所述目标数据和所述参考数据集各个参考数据的相似程度。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：在根据训练数据集，训练目标识别模型之前，构造训练数据集；

所述构造训练数据集包括：

从原始数据集中选取出目标数据集，所述目标数据集包括至少一个目标数据；针对目标数据集的每个目标数据，选取出参考数据集，所述参考数据集包括：与对应的目标数据的标识信息相同的数据、以及与对应的目标数据的标识信息不同的数据。

5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，包括：

根据所述训练完成的目标识别模型，确定所述目标数据与所述初始结果序列中前K个数据的相似程度，根据所述目标数据与所述初始结果序列中前K个数据的相似程度，对所述初始结果序列中前K个数据进行重新排序，K为大于1的整数。

6.根据权利要求1至3任一项所述的方法，其特征在于，所述参考数据和所述目标数据均为图片数据。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述参考数据和所述目标数据均为行人图片数据。

8.一种目标识别装置，其特征在于，所述装置包括：训练模块和重排序模块，其中，

训练模块，用于根据训练数据集，训练目标识别模型，得到训练完成的目标识别模型；其中，所述训练数据集包括目标数据和至少一个参考数据，所述参考数据与所述目标数据的标识信息不同；

重排序模块，用于获取目标识别的初始结果序列，根据所述训练完成的目标识别模型，对所述初始结果序列进行重新排序，得到目标识别的重新排序结果。

9.一种电子设备，其特征在于，包括处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，

所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述的方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至7任一项所述的方法。