CN111275060A - 识别模型更新处理方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种识别模型更新处理方法、装置、电子设备及存储介质，涉及行人识别技术领域。其中，该方法包括：获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果；根据每张图像的特征数据，获取任意两张图像之间的相似度；根据相似度和分类预测结果，获取损失函数；根据损失函数更新识别模型，得到更新后的识别模型。本申请实施例中，在训练、更新识别模型的过程中，结合相似度和分类预测结果获取损失函数，并通过损失函数来更新识别模型，得到的识别模型具有更高的识别精度。

Description

识别模型更新处理方法、装置、电子设备及存储介质

技术领域

本申请涉及行人识别技术领域，具体而言，涉及一种识别模型更新处理方法、装置、电子设备及存储介质。

背景技术

行人重识别(Person Re-Identification，ReID)技术主要应用在安防领域，例如在高空监控摄像头获取的视频数据中检索行人的照片。警方可以根据一张犯罪嫌疑人的图像从多个视频中检索该犯罪嫌疑人可能出现过的时间和地点，从而提升办案效率。

现有的ReID技术一般包括训练阶段和测试阶段，训练阶段使用标记好的行人图像训练一个深度分类模型，测试阶段将训练好的深度分类模型对测试图像进行识别测试，测试阶段中，先提取测试图像的特征，然后通过特征计算测试图像之间的距离完成识别任务。

但是，现有ReID技术中，训练阶段对图像训练的精度不高，可能导致训练出的模型检测结果不佳。

发明内容

有鉴于此，本申请实施例的目的在于提供一种识别模型更新处理方法、装置、电子设备及存储介质，能够通过该更新后的识别模型解决现有技术中识别模型存在的识别精度不高的问题，得到识别精度更高的识别模型。

一方面，本申请实施例提供一种识别模型更新处理方法，包括：

获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果；根据每张图像的特征数据，获取任意两张图像之间的相似度；根据相似度和分类预测结果，获取损失函数；根据损失函数更新识别模型，得到更新后的识别模型。

可选地，根据每张图像的特征数据，获取任意两张图像之间的相似度，包括：采用第一预设算法，获取任意两张图像之间的距离；采用第二预设算法，根据任意两张图像之间的距离，计算任意两张图像之间的相似度。

可选地，所述根据所述相似度和所述分类预测结果，获取损失函数，包括：根据第三预设算法获取相似度的归一化矩阵；根据归一化矩阵和分类预测结果，获取更新后分类预测结果、以及损失函数。

可选地，获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果，包括：采用卷积神经网络，获取每张图像的特征数据；根据每张图像的特征数据，采用分类器获取每张图像的分类预测结果。

可选地，根据相似度和分类预测结果，获取损失函数之后，还包括：计算损失函数的梯度；根据损失函数的梯度，更新卷积神经网络和/或分类器的参数。

可选地，根据损失函数更新识别模型，得到更新后的识别模型之后，还包括：判断损失函数是否满足收敛条件，若满足，则停止更新识别模型。

可选地，训练图像集包括多组图像，每组图像对应一个分类标签，且每组图像包含相同数量的图像。

可选地，根据损失函数更新识别模型，得到更新后的识别模型之后，还包括：将第一图像集合和第二图像集合输入更新后的识别模型，其中，第一图像集合和第二图像集合包括相同事物的图像信息；提取第一图像集合和第二图像集合中各图像的特征数据；根据第一图像集合和第二图像集合中各图像的特征数据，获取第一图像集合中每个图像与第二图像集合中每个图像的距离；根据第一图像集合中每个图像与第二图像集合中每个图像的距离、以及每个图像的分类标签，获取更新后的识别模型的精度信息。

可选地，根据第一图像集合中每个图像与第二图像集合中每个图像的距离、以及每个图像的分类标签，获取更新后的识别模型的精度信息，包括：对第一图像集合中每个图像与第二图像集合中每个图像的距离进行排序；根据排序以及每个图像的分类标签，获取更新后的识别模型的精度信息。

另一方面，本申请实施例还提供一种识别模型更新处理装置，包括：获取模块、相似度计算模块、函数计算模块及更新模块；

获取模块用于获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果；相似度计算模块用于根据每张图像的特征数据，获取任意两张图像之间的相似度；函数计算模块用于根据相似度和分类预测结果，获取损失函数；更新模块用于根据损失函数更新识别模型，得到更新后的识别模型。

可选地，相似度计算模块，具体用于采用第一预设算法，获取任意两张图像之间的距离；采用第二预设算法，根据任意两张图像之间的距离，计算任意两张图像之间的相似度。

可选地，函数计算模块，具体用于根据第三预设算法获取相似度的归一化矩阵；根据归一化矩阵和分类预测结果，获取更新后分类预测结果、以及损失函数。

可选地，获取模块，具体用于采用卷积神经网络，获取每张图像的特征数据；根据每张图像的特征数据，采用分类器获取每张图像的分类预测结果。

可选地，更新模块还用于计算损失函数的梯度；根据损失函数的梯度，更新卷积神经网络和/或分类器的参数。

可选地，该装置还包括：判断模块，判断模块用于判断损失函数是否满足收敛条件，若满足，则停止更新识别模型。

可选地，训练图像集包括多组图像，每组图像对应一个分类标签，且每组所述图像包含相同数量的图像。

可选地，该装置还包括：输入模块、提取模块、距离获取模块及精度获取模块；

输入模块用于将第一图像集合和第二图像集合输入更新后的识别模型，其中，第一图像集合和第二图像集合包括相同事物的图像信息；提取模块用于提取第一图像集合和第二图像集合中各图像的特征数据；距离获取模块用于根据第一图像集合和第二图像集合中各图像的特征数据，获取第一图像集合中每个图像与第二图像集合中每个图像的距离；精度获取模块用于根据第一图像集合中每个图像与第二图像集合中每个图像的距离、以及每个图像的分类标签，获取更新后的识别模型的精度信息。

可选地，精度获取模块具体用于对第一图像集合中每个图像与第二图像集合中每个图像的距离进行排序；根据排序以及每个图像的分类标签，获取更新后的识别模型的精度信息。

另一方面，本申请实施例还提供一种电子设备，包括：处理器、存储介质和总线；存储介质存储有处理器可执行的机器可读指令，当电子设备运行时，处理器与存储介质之间通过总线通信，处理器执行机器可读指令，以执行时执行如上述一方面提供的识别模型更新处理方法。

另一方面，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述一方面提供的识别模型更新处理方法。

基于上述任一方面，本申请的有益效果是：本申请实施例中，根据获取训练图像集中的图像的特征数据和分类预测结果，获取任意两张图像之间的相似度；根据该相似度和该分类预测结果，获取到更新后的分类预测结果和损失函数，进而采用该损失函数对识别模型进行更新，得到更新后的识别模型。在这个训练、更新识别模型的过程中，结合相似度和分类预测结果获取损失函数，并通过损失函数来更新识别模型，得到的识别模型具有更高的识别精度。

附图说明

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。

图1示出了本申请实施例所提供的一种识别模型更新处理方法的流程示意图；

图2示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图3示出了本申请实施例所提供的又一种识别模型更新处理方法的流程示意图；

图4示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图5示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图6示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图7示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图8示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图；

图9示出了本申请实施例所提供的一种识别模型更新处理装置结构示意图；

图10示出了本申请实施例所提供的另一识别模型更新处理装置结构示意图；

图11示出了本申请实施例所提供的又一识别模型更新处理装置结构示意图；

图12示出了本申请实施例所提供的一种电子设备的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。

另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

为了使得本领域技术人员能够使用本申请内容，结合识别模型的更新处理方法，给出以下实施方式。对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。虽然本申请主要围绕行人识别模型的更新进行描述，但是应该理解，这仅是一个示例性实施例。本申请可以应用于任何其他事物的识别。例如，本申请可以应用于不同场景下识别模型的更新，包括车辆识别，动物识别，花草识别或任意事物等。

需要说明的是，本申请实施例中将会用到术语“包括”，用于指出其后所声明的特征的存在，但并不排除增加其它的特征。此外，本申请实施例中，“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这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

图1示出了本申请实施例所提供的一种识别模型更新处理方法流程示意图。该方法的执行主体可以是运行识别模型更新处理方法的终端、服务器等设备，本申请在此不作限制。本申请中的识别模型更新处理方法以识别行人为例对该方法进行说明，如图1所示，该方法包括：

S101、获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果。

其中，图像的特征数据可以对图像进行一些属性的描述，图像的特征数据可以包括图像的颜色特征、纹理特征、形状特征和空间关系特征。

训练图像集包括多张图像，本申请实施例首先对训练图像集中的每张图像进行标识，即标识所属分类的标签，例如我们要训练识别行人的识别模型，可以预先标识每张图像所属行人的标签，所属行人的标签可以是行人的姓名、昵称等，本申请并不对此进行限定。进而获取训练图像集中每张图像的特征数据，可以根据每张图像的特征数据获取到图像的特征向量，基于特征向量对训练图像集中的每张图像采用预设的分类器进行分类，获取到每张图像的分类预测结果。

可选地，该特征数据可以是深度特征数据，本申请并不对此进行限定。

此外，根据训练图像集中每张图像的特征数据和分类预测结果，还可以获取到对应的损失函数。

S102、根据每张图像的特征数据，获取任意两张图像之间的相似度。

其中，图像的相似度是描述图像之间相似性的参数，本申请中根据每张图像的特征数据，可以计算任意两张图像之间的距离，其中，该距离可以是欧式距离、欧几里德距离或其他距离，本申请并不对此进行限定。以获取到两张图像之间的欧式距离为例，对欧式距离经过相应的计算，可以转换为两张图像之间的相似度。

S103、根据相似度和分类预测结果，获取损失函数。

本申请实施例中，根据上述计算得到的相似度和分类预测结果，采用一些预设的算法对相似度和分类预测结果进行计算，得到损失函数。

其中，损失函数指的是对于给定的训练图像集在机器学习中进行训练时，如果识别模型对该训练图像集的预测结果出错，则该识别模型应继续训练更新，即损失函数是作为衡量识别模型的预测值与真实值的不一致程度的函数，损失函数越小时，则识别模型的性能越好。

S104、根据损失函数更新识别模型，得到更新后的识别模型。

其中，根据上述所得到的损失函数对识别模型进行更新，即可得到更新后的识别模型，其中，更新识别模型可以包括更新识别模型的特征提取模块的参数、分类预测模块的参数或其他参数，本申请并不对此进行限定。

可选地，通过循环上述步骤，直到损失函数的值达到预设目标，例如趋于稳定、达到最小值。

最后得到的识别模型可以用于识别图像中的既定目标，例如识别某个人、某辆车、某个动物等。例如可以用于识别嫌疑犯。

本申请实施例所提供的识别模型更新处理方法，根据获取训练图像集中的每张图像的特征数据和分类预测结果，获取任意两张图像之间的相似度；根据该相似度和该分类预测结果，获取到更新后的分类预测结果和损失函数；进而采用该损失函数对识别模型进行更新，得到更新后的识别模型。在这个训练、更新识别模型的过程中，结合相似度和分类预测结果获取损失函数，并通过损失函数来更新识别模型，得到的识别模型具有更高的识别精度。

可选地，图2示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，根据每张图像的特征数据，获取任意两张图像之间的相似度，如图2所示，包括：

S201、采用第一预设算法，获取任意两张图像之间的距离。

需要说明的是，距离是一种表现事物相似性的参数。其中，根据需要可采取相应的第一预设算法，获取任意两张图像之间的距离。比如，获取的是两张图像之间的欧式距离时，第一预设算法对应的是欧式距离的计算算法。获取的是两张图像之间的欧几里德距离时，第一预设算法对应的是欧几里德的计算算法。本申请并不对该第一预设算法进行限定，根据获取的图像之间的距离类型，可选择与该距离类型对应的第一预设算法。

本申请实施例中，第一预设算法以欧式距离为例，欧式距离的计算公式为d_ij＝||x_i-x_j||，其中，i表示训练图像集中的第i张图像，i的取值为1～N中的任意整数，j表示训练图像集中的第j张图像，j的取值为1～N中的任意整数，且i≠j，N表示训练图像集中总的图像张数，x_i表示训练图像集中的第i张图像，x_j表示训练图像集中的第j张图像，d_ij表示图像x_i与图像x_j之间的欧式距离，根据该公式即可得到任意两张图像之间的欧式距离。

S202、采用第二预设算法，根据任意两张图像之间的距离，计算任意两张图像之间的相似度。

第一预设算法以欧式距离为例时，采用第二预设算法，根据任意两张图像之间的欧式距离，将该欧式距离经过缩放和指数函数的运算，即可计算出任意两张图像之间的相似度。其中，第二预设算法的计算公式为：

其中，i表示训练图像集中的第i张图像，i的取值为1～N中的任意整数，N表示训练图像集中总的图像张数，j表示训练图像集中的第j张图像，j的取值为1～N中的任意整数，δ表示预设值，用于体现高斯宽度和高斯分布，d_ij表示图像x_i与图像x_j之间的距离值，w_ij是第i张图像与第j张图像之间的相似度值。

可选地，图3示出了本申请实施例所提供的又一种识别模型更新处理方法的流程示意图，根据相似度和分类预测结果，获取损失函数，如图3所示，包括：

S301、根据第三预设算法获取相似度的归一化矩阵。

可选地，根据上述在S202步骤中计算得到的相似度，计算得到与该相似度对应的邻接矩阵，根据第三预设算法对该邻接矩阵计算得到归一化拉普拉斯矩阵，其中，第三预设算法的计算公式为：

其中，S表示邻接矩阵W计算得到的归一化矩阵，D表示一个对角矩阵，

其中D_ii表示的是对角矩阵D中第i行第i列的值，对角矩阵D中每个D_ii的值等于邻接矩阵W第i行所有值的和，所有非对角线上的值为0。

S302、根据归一化矩阵和分类预测结果，获取更新后分类预测结果、以及损失函数。

其中，根据分类预测结果计算得到与该分类预测结果对应的预测矩阵；进而根据上述计算得到的归一化矩阵和预测矩阵，将得到的归一矩阵和预测矩阵进行矩阵乘法操作，即可得到更新后的分类预测结果、以及损失函数。

进一步地，由于更新后的分类预测结果既包括可分类置信度信息，又包括了图像之间的相似度度量信息，因此，在更新损失函数时以及进一步更新识别模型时，会优化识别模型在获取置信度信息和相似度度量信息的能力。其中，损失函数用来标识不同类别上的概率分布，该损失函数可以是归一化指数函数(Softmax function，softmax)，也可以是其他损失函数，比如对比损失函数、三元组损失函数或中心损失函数，本申请并不对此进行限定。

可选地，图4示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果，如图4所示，包括：

S401、采用卷积神经网络，获取每张图像的特征数据。

其中，卷积神经网络(Convolutional Neural Networks，CNN)是一种深度的监督学习下的机器学习模型，具有极强的适应性，善于挖掘数据局部特征，提取全局训练特征和分类，它的权值共享网络结构使之类似于生物神经网络，可以较好的应用在模型识别上。本申请并不对卷积神经网络的具体网络模型进行限定，可以包括残差网络(ResidualNetwork，ResNet)模型或其他的网络模型，只要是可以获取到图像的特征数据均可。

将训练图像集的图像作为输入，输入到卷积神经网络中，输出这些图像的特征数据。

S402、根据每张图像的特征数据，采用分类器获取每张图像的分类预测结果。

根据上述获取的图像深度特征，即可采用分类器对训练图像集中的图像进行分类，进而获取到每张图像的分类预测结果。其中，分类器可以是预设分类器或根据需要自行设置的分类器，本申请并不对此进行限定。

举例说明，有A、B、C共3张图像，这3张图像分为2个类别，初始分类预测可以表示为A(0.9，0.1)、B(0.5，0.5)、C(0.1，0.9)，其中A(0.9，0.1)表示A图像属于第一类的概率为0.9，A图像属于第二类的概率为0.1。但是，B图像的预测不确定性较高。本申请中结合特征数据计算获取相似度信息为A-B：0.9，B-C：0.3，A-C：0.1。可见，B图像与A图像的相似度高于B图像与C图像的相似度，结合相似度和分类预测结果进行更新，那么更新后的分类预测结果大致表示为：A(0.8，0.2)、B(0.7，0.3)、C(0.2，0.8)。即B图像的更新后的类别由B图像和所有其他图像(A，C)决定。B图像的类别预测会更加接近于所有与B图像相似的图像(此例中仅有A图像)的整体预测分布。因而，从实验角度可以表明，采用本申请实施例提供的方法训练出的识别模型识别准确度更高。

图5示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，根据相似度和分类预测结果，获取损失函数之后，如图5所示，还包括：

S501、计算损失函数的梯度。

损失函数是作为衡量识别模型的预测值与真实值的不一致程度的函数，损失函数越小时，则识别模型的性能越好。因此，在获取到损失函数后，通过计算损失函数的梯度，来不断优化损失函数，直至损失函数趋于稳定、达到最小值。

S502、根据损失函数的梯度，更新卷积神经网络和/或分类器的参数。

本申请实施例可以通过反向传播算法实现对卷积神经网络和/或分类器的参数进行更新。

可以根据梯度下降法计算损失函数的梯度，确定是否需要更新卷积神经网络和/或分类器中的参数，若更新，再循环获取相似度和分类预测结果、计算损失函数，直到损失函数达到最小值。其中，需要说明的是，根据计算的损失函数梯度，更新时包括如下三类：可以对卷积神经网络的参数进行更新；对分类器的参数进行更新；对卷积神经网络和分类器的参数均进行更新，具体更新类型的选择，可以根据需要自行选择，本申请并不对此进行限定。

可选地，可以根据预设的参数包，每次对卷积神经网络和/或分类器输入不同的参数组合，然后再获取训练图像集中每张图像的特征数据、以及每张所述图像的分类预测结果。也可以根据经验，每次对卷积神经网络和/或分类器输入不同的参数组合，然后再获取训练图像集中每张图像的特征数据、以及每张所述图像的分类预测结果。本申请不作具体限定。

可选地，根据损失函数更新识别模型，得到更新后的识别模型之后，还包括：判断损失函数是否满足收敛条件，若满足，则停止更新识别模型。

即本实施例中，判断损失函数满足收敛条件时停止更新识别模型。其中，损失函数的收敛条件指的是损失函数的值趋于稳定，达到最小值。一般地，开始几次训练，损失函数会下降的比较明显，训练次数越多，损失函数会逐渐趋于稳定，达到最小值。

可选地，可以预先根据经验设定训练次数，例如通过实验可知一般经过一定次数的训练，损失函数就会趋于稳定，那么就可以设定训练预设次数后结束。

当然，也可以不设定具体的训练次数，通过每次获取的损失函数确定是否还继续进行训练。本申请不作限制。

可选地，训练图像集包括多组图像，每组图像对应一个分类标签，且每组图像包含相同数量的图像。

其中，每组图像指的是包含同一识别对象的多个图像，例如包含同一个行人的多个图像。图像的分类标签指的是唯一标识每组图像的标签，可以用行人的标签(Identification，ID)表示，例如以某个人的姓名、昵称等作为一组图像的标签。即在选择训练图像集时，选取多组图像，每组图像的数量相同，每组图像对应一个行人，每个行人具有不同的分类标签。其中，基于该训练图像集进行识别模型的训练时，每组图像的数量相同，可以保证训练集中每组图像数量的均衡，避免了训练样本出现分布偏差的情况。

上述在完成了识别模型的训练后，得到更新后的识别模型，还可以对该识别模型进行测试，以测试该识别模型的识别精度，判断识别模型的识别效果。

采用测试图像集对该识别模型进行测试时，需要说明的是，训练图像集用于训练网络，测试图像集用于对训练后的识别模型进行测试，可选地，测试图像集应当与训练图像集中的对象不同，以人物识别为例，训练图像集与测试图像集可以包含不同的人物。进一步地，测试图像集将被分成两部分：第一图像集合和第二图像集合。第一图像集合包括测试图像集中需要查找的测试行人，第二图像集合包括测试图像集中的测试行人候选集，可选地，同一个测试对象的多张图像分配在第一图像集合和第二图像集合，例如同一个人“张三”的50张照片，20张照片分配在第一图像集合、另外30张照片分配在第二图像集合，测试过程中看不同集合同一对象“张三”的图像识别出的相似度是否满足一定要求。

可选地，图6示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，根据损失函数更新识别模型，得到更新后的识别模型之后，如图6所示，还包括：

S601、将第一图像集合和第二图像集合输入更新后的识别模型，其中，第一图像集合和第二图像集合包括相同事物的图像信息。

第一图像集合包括测试数据中需要查找的测试行人，第二图像集合包括测试数据的行人候选集，第一图像集合与第二图像集合均包括同一行人的图像。

S602、提取第一图像集合和第二图像集合中各图像的特征数据。

可以采用卷积神经网络提取第一图像集合中图像的特征数据和第二图像集合中图像的特征数据。可选地，该特征数据可以包括深度特征数据。

S603、根据第一图像集合和第二图像集合中各图像的特征数据，获取第一图像集合中每个图像与第二图像集合中每个图像的距离。

根据在第一图像集合中获取的各图像的特征数据和在第二图像集合中获取的各图像的特征数据，计算第一图像集合中每个图像和第二图像集合中每个图像之间的特征间距离，特征间距离的计算方法为欧式距离时，可参考上述所述的欧式距离的计算方法，本申请在此不再赘述。

S604、根据第一图像集合中每个图像与第二图像集合中每个图像的距离、以及每个图像的分类标签，获取更新后的识别模型的精度信息。

可选地，图7示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，如图7所示，S604步骤包括：

S605、对第一图像集合中每个图像与第二图像集合中每个图像的距离进行排序。

S606、根据排序以及每个图像的分类标签，获取更新后的识别模型的精度信息。

可选地，根据第一图像集合中每个图像与第二图像集合中每个图像的特征间距离，对与第一图像集合属于同一个行人的第二图像集合的图像依据该特征间距离进行排序。根据其排序，即可获取到更新后的识别模型的精度信息。其中，属于同一行人的图像相似度均较高时，则说明该识别模型的精度较高。

此外，还需要说明的是，若测试得到的识别模型精度未满足预设要求且损失函数未满足收敛条件时，即可以在该识别模型的基础上采用上述所述的方法对该识别模型进行一步更新，具体的更新方法参照上述所述，本申请在此不再赘述。

可选地，图8示出了本申请实施例所提供的另一种识别模型更新处理方法的流程示意图，如图8所示，使用该识别模型更新处理方法对进行识别模型更新处理的具体步骤如下：

S701、获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果。

获取训练图像集中每张图像的特征数据具体获取过程为：将训练图像集中的图像输入到卷积神经网络，其中，训练图像集的选取应满足包括多组图像，每组图像对应一个分类标签，且每组图像包含相同数量的图像，即选取的每个行人的图像数量是相同的。

可选地，本申请实施例中图像特征数据的提取选取卷积神经网络中的残差网络ResNet结构，具体地，基于ResNet50结构，对本申请实施例进行说明。

输入384×128大小的图像时，采用ResNet50结构最后一个卷积层输出为2048×12×4，进一步地，该输出经过均值池化得到2048×1×1，即得到2048维特征数据。根据获取到的图像特征数据，分别将获取的图像特征数据输入到图像分类器中，对训练图像集中的数据进行分类，获取到每张图像的分类预测结果。

S702、获取任意两张图像之间的相似度。

S703、根据相似度和分类预测结果，获取更新后的分类预测结果、以及损失函数。

S704、根据损失函数更新识别模型，得到更新后的识别模型。

S705、判断损失函数是否满足收敛条件。

S706、若满足，则停止更新识别模型。

若不满足，则调整卷积神经网络和/或分类器的相关参数，并返回执行S701。

S707、将测试图像集输入更新后的识别模型，提取测试图像集中各图像的特征数据，其中，测试图像集包括第一图像集合和第二图像集合。

其中，测试图像集包括第一图像集合和第二图像集合时，第一图像集合和第二图像集合包括相同事物的图像信息。

举例说明，第一图像集合记为集合Q(Query)，第二图像集合记为集合G(Gallery)，其中，集合Q和集合G包含相同标签的不同图像，例如包含相同行人ID的不同图像，将集合Q和集合G输入到更新后的识别模型。

S708、根据第一图像集合和第二图像集合中各图像的特征数据，获取第一图像集合中每个图像与第二图像集合中每个图像的距离。

例如，采用卷积神经网络，提取集合Q和集合G中各图像的特征数据，其中，提取到集合Q中的特征数据为Q:{f_qi}，提取到集合G中的特征数据为G:{f_gi}；进而对集合Q中的每个特征f_qi，计算它与集合G:{f_gi}中每个f_gi的特征间距离。

S709、对第一图像集合中每个图像与第二图像集合中每个图像的距离进行排序，根据排序以及每个图像的分类标签，获取更新后的识别模型的精度信息。

例如，根据S709步骤，对于特征间距离的升序顺序对每个f_gi进行排序，在集合G的排序中，如果与f_qi属于同一行人标签的图像均被排在靠前的位置，则说明该识别模型的识别精度较高，否则，如果被排在靠后的位置，则说明该识别模型还需要进一步更新。

当然，测试过程中，也可以根据上述距离进一步计算相似度，根据同一对象的相似度来判断识别模型的精度。

此外，需要说明的是，该识别模型训练完成后，在测试过程中或者后续实际使用过程中，识别模型的输入可以是单索引输入、多索引输入或者视频输入，本申请不做限制。单索引指的是基于一张图像判断是否存在特定对象；多索引指的是基于多张图像判断是否存在特定对象，例如多索引可以包括一个人物对象不同角度的图像。基于视频进行重识别，指的是基于一个短视频判断是否存在特定对象，具体识别过程中可以将该视频首先划分成多帧图像，基于每帧图像进行识别，例如提取特征数据的过程中，可以获取每帧图像的特征数据。

综上所述，已知训练图像集，获取训练集中每张图像的特征数据和分类预测结果，通过任意两张图像之间的特征数据，可以获取到任意两张图像之间的相似度；通过获取的相似度和分类预测结果获取损失函数，根据梯度下降法计算损失函数的梯度，确定是否需要更新卷积神经网络和/或分类器中的参数，若更新，再循环获取相似度和分类预测结果、计算损失函数、计算获取损失函数的梯度，来不断更新损失函数，直至损失函数趋于稳定、达到最小值。

进而根据获取到的最小值损失函数，得到更新后的识别模型。

可选地，采用测试图像集对该更新后的识别模型进行测试，同一个测试对象的多张图像分配在第一图像集合和第二图像集合，通过测试不同集合同一对象的图像识别出的相似度是否满足一定要求，来测试识别模型的准确率。具体测试要求和测试步骤可见上述S707、S708和S709所示，本申请在此不再赘述。

本申请实施例基于训练图像集进行训练，获取到最小值的损失函数，基于该损失函数更新识别模型的特征提取模块的参数、分类预测模块的参数或其他参数，进而获取到更新后的识别模型，并对该更新后识别模型进行测试，测试发现该更新后的识别模型具有更高的识别精度。

另一方面，图9示出了本申请实施例所提供的一种识别模型更新处理装置结构示意图，本申请实施例还提供一种识别模型更新处理装置，其用于执行上述实施例的各个步骤，以实现对应的技术效果，如图9所示，包括：获取模块701、相似度计算模块702、函数计算模块703及更新模块704。

获取模块701用于获取训练图像集中每张图像的特征数据、以及每张图像的分类预测结果；相似度计算模块702用于根据每张图像的特征数据，获取任意两张图像之间的相似度；函数计算模块703用于根据相似度和分类预测结果，获取损失函数；更新模块704用于根据损失函数更新识别模型，得到更新后的识别模型。

可选地，相似度计算模块702，具体用于采用第一预设算法，获取任意两张图像之间的距离；采用第二预设算法，根据任意两张图像之间的距离，计算任意两张图像之间的相似度。

可选地，函数计算模块703，具体用于根据第三预设算法获取相似度的归一化矩阵；根据归一化矩阵和分类预测结果，获取更新后分类预测结果、以及损失函数。

可选地，获取模块701，具体用于采用卷积神经网络，获取每张图像的特征数据；根据每张图像的特征数据，采用分类器获取每张图像的分类预测结果。

在一些实施例中，更新模块704还用于计算损失函数的梯度；根据损失函数的梯度，更新卷积神经网络和/或分类器的参数。

可选地，图10示出了本申请实施例所提供的另一识别模型更新处理装置结构示意图，如图10所示，该装置还包括：判断模块705，判断模块705用于判断损失函数是否满足收敛条件，若满足，则停止更新所述识别模型。

可选地，训练图像集包括多组图像，每组图像对应一个分类标签，且每组所述图像包含相同数量的图像。

可选地，图11示出了本申请实施例所提供的又一识别模型更新处理装置结构示意图，如图11所示，该装置还包括：输入模块706、提取模块707、距离获取模块708及精度获取模块709；

输入模块706用于将第一图像集合和第二图像集合输入更新后的识别模型，其中，第一图像集合和第二图像集合包括相同事物的图像信息；提取模块707用于提取第一图像集合和第二图像集合中各图像的特征数据；距离获取模块708用于根据第一图像集合和第二图像集合中各图像的特征数据，获取第一图像集合中每个图像与第二图像集合中每个图像的距离；精度获取模块709用于根据第一图像集合中每个图像与第二图像集合中每个图像的距离、以及每个图像的分类标签，获取更新后的识别模型的精度信息。

可选地，精度获取模块709具体用于对第一图像集合中每个图像与第二图像集合中每个图像的距离进行排序；根据排序以及每个图像的分类标签，获取更新后的识别模型的精度信息。

另一方面，图12示出了本申请实施例所提供的一种电子设备的结构示意图，本申请实施例还提供一种电子设备，如图12所示，包括：处理器810、存储介质820和总线830。

存储介质820存储有处理器810可执行的机器可读指令，当电子设备运行时，处理器810与存储介质820之间通过总线830通信，处理器810执行机器可读指令，以执行时执行如上述一方面提供的识别模型更新处理方法的步骤。

电子设备可以是通用计算机或特殊用途的计算机，两者都可以用于实现本申请的识别模型更新处理方法。本申请尽管仅示出了一个计算机，但是为了方便起见，可以在多个类似平台上以分布式方式实现本申请描述的功能，以均衡处理负载。

例如，电子设备可以包括用于执行程序指令的一个或多个处理器810、总线830、和不同形式的存储介质820，例如，磁盘、ROM、或RAM，或其任意组合。示例性地，计算机平台还可以包括存储在ROM、RAM、或其他类型的非暂时性存储介质、或其任意组合中的程序指令。根据这些程序指令可以实现本申请的方法。

为了便于说明，在电子设备中仅描述了一个处理器。然而，应当注意，本申请中的电子设备还可以包括多个处理器，因此本申请中描述的一个处理器执行的步骤也可以由多个处理器联合执行或单独执行。

另一方面，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述一方面提供的识别模型更新处理方法的步骤。

在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元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，也可以采用硬件加软件功能单元的形式实现。

以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (20)

1.一种识别模型更新处理方法，其特征在于，包括：

获取训练图像集中每张图像的特征数据、以及每张所述图像的分类预测结果；

根据每张所述图像的特征数据，获取任意两张所述图像之间的相似度；

根据所述相似度和所述分类预测结果，获取损失函数；

根据所述损失函数更新识别模型，得到更新后的识别模型。

2.根据权利要求1所述的方法，其特征在于，所述根据每张所述图像的特征数据，获取任意两张所述图像之间的相似度，包括：

采用第一预设算法，获取任意两张所述图像之间的距离；

采用第二预设算法，根据所述任意两张所述图像之间的距离，计算所述任意两张所述图像之间的相似度。

3.根据权利要求2所述的方法，其特征在于，所述根据所述相似度和所述分类预测结果，获取损失函数，包括：

根据第三预设算法获取所述相似度的归一化矩阵；

根据所述归一化矩阵和所述分类预测结果，获取更新后分类预测结果、以及损失函数。

4.根据权利要求1所述的方法，其特征在于，所述获取训练图像集中每张图像的特征数据、以及每张所述图像的分类预测结果，包括：

采用卷积神经网络，获取每张图像的特征数据；

根据每张图像的特征数据，采用分类器获取每张所述图像的分类预测结果。

5.根据权利要求4所述的方法，其特征在于，所述根据所述相似度和所述分类预测结果，获取损失函数之后，还包括：

计算所述损失函数的梯度；

根据所述损失函数的梯度，更新所述卷积神经网络和/或所述分类器的参数。

6.根据权利要求1所述的方法，其特征在于，所述根据所述损失函数更新识别模型，得到更新后的识别模型之后，还包括：

判断所述损失函数是否满足收敛条件，若满足，则停止更新所述识别模型。

7.根据权利要求1所述的方法，其特征在于，所述训练图像集包括多组图像，每组图像对应一个分类标签，且每组所述图像包含相同数量的图像。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述根据所述损失函数更新识别模型，得到更新后的识别模型之后，还包括：

将第一图像集合和第二图像集合输入所述更新后的识别模型，其中，所述第一图像集合和所述第二图像集合包括相同事物的图像信息；

提取所述第一图像集合和所述第二图像集合中各图像的特征数据；

根据所述第一图像集合和所述第二图像集合中各图像的特征数据，获取所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离；

根据所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离、以及每个所述图像的分类标签，获取所述更新后的识别模型的精度信息。

9.根据权利要求8所述的方法，其特征在于，所述根据所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离、以及每个所述图像的分类标签，获取所述更新后的识别模型的精度信息，包括：

对所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离进行排序；

根据所述排序以及每个所述图像的分类标签，获取所述更新后的识别模型的精度信息。

10.一种识别模型更新处理装置，其特征在于，包括：获取模块、相似度计算模块、函数计算模块及更新模块；

所述获取模块，用于获取训练图像集中每张图像的特征数据、以及每张所述图像的分类预测结果；

所述相似度计算模块，用于根据每张所述图像的特征数据，获取任意两张所述图像之间的相似度；

所述函数计算模块，用于根据所述相似度和所述分类预测结果，获取损失函数；

所述更新模块，用于根据所述损失函数更新识别模型，得到更新后的识别模型。

11.如权利要求10所述的装置，其特征在于，所述相似度计算模块，具体用于采用第一预设算法，获取任意两张所述图像之间的距离；采用第二预设算法，根据所述任意两张所述图像之间的距离，计算所述任意两张所述图像之间的相似度。

12.如权利要求11所述的装置，其特征在于，所述函数计算模块，具体用于根据第三预设算法获取所述相似度的归一化矩阵；根据所述归一化矩阵和所述分类预测结果，获取更新后分类预测结果、以及损失函数。

13.如权利要求10所述的装置，其特征在于，所述获取模块，具体用于采用卷积神经网络，获取每张图像的特征数据；根据每张图像的特征数据，采用分类器获取每张所述图像的分类预测结果。

14.如权利要求13所述的装置，其特征在于，所述更新模块还用于计算所述损失函数的梯度；根据所述损失函数的梯度，更新所述卷积神经网络和/或所述分类器的参数。

15.如权利要求10所述的装置，其特征在于，还包括：判断模块；

所述判断模块用于判断所述损失函数是否满足收敛条件，若满足，则停止更新所述识别模型。

16.如权利要求10所述的装置，其特征在于，所述训练图像集包括多组图像，每组图像对应一个分类标签，且每组所述图像包含相同数量的图像。

17.如权利要求10-16任一项所述的装置，其特征在于，还包括：输入模块、提取模块、距离获取模块及精度获取模块；

所述输入模块，用于将第一图像集合和第二图像集合输入所述更新后的识别模型，其中，所述第一图像集合和第二图像集合包括相同事物的图像信息；

所述提取模块，用于提取所述第一图像集合和所述第二图像集合中各图像的特征数据；

所述距离获取模块，用于根据所述第一图像集合和所述第二图像集合中各图像的特征数据，获取所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离；

所述精度获取模块，用于根据所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离、以及每个所述图像的分类标签，获取所述更新后的识别模型的精度信息。

18.如权利要求17所述的装置，其特征在于，所述精度获取模块具体用于对所述第一图像集合中每个图像与所述第二图像集合中每个图像的距离进行排序；根据所述排序以及每个所述图像的分类标签，获取所述更新后的识别模型的精度信息。

19.一种电子设备，其特征在于，包括：处理器、存储介质和总线；所述存储介质存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储介质之间通过总线通信，所述处理器执行所述机器可读指令，以执行时执行如权利要求1-9任一项所述的识别模型更新处理方法。

20.一种存储介质，其特征在于，该存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1-9任一项所述的识别模型更新处理方法。

Images