CN111709377A - 特征提取方法、目标重识别方法、装置及电子设备 - Google Patents

特征提取方法、目标重识别方法、装置及电子设备 Download PDF

Info

Publication number
CN111709377A
CN111709377A CN202010560841.3A CN202010560841A CN111709377A CN 111709377 A CN111709377 A CN 111709377A CN 202010560841 A CN202010560841 A CN 202010560841A CN 111709377 A CN111709377 A CN 111709377A
Authority
CN
China
Prior art keywords
feature extraction
target image
convolution
image
attribute
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010560841.3A
Other languages
English (en)
Other versions
CN111709377B (zh
Inventor
张鑫垒
晋兆龙
邹文艺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Keda Technology Co Ltd
Original Assignee
Suzhou Keda Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Keda Technology Co Ltd filed Critical Suzhou Keda Technology Co Ltd
Priority to CN202010560841.3A priority Critical patent/CN111709377B/zh
Publication of CN111709377A publication Critical patent/CN111709377A/zh
Application granted granted Critical
Publication of CN111709377B publication Critical patent/CN111709377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理技术领域，具体涉及特征提取方法、目标重识别方法、装置及电子设备。其中特征提取方法包括：获取目标图像；将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。所述的特征提取方法，由于小尺寸的卷积核获取低分辨率并获得更高的精度和效率；大尺寸的卷积核则获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。因此，通过将多个尺寸的卷积核融合进了一个卷积单元中，可以在有效降低模型大小的同时，也能保证特征提取的准确率。

Description

特征提取方法、目标重识别方法、装置及电子设备
技术领域
本发明涉及图像处理技术领域，具体涉及特征提取方法、目标重识别方法、装置及电子设备。
背景技术
目标重识别技术是利用待追踪的目标图像，在图像库或视频序列中检索出不同监控设备下相同目标的图像。现如今，在视频结构化的诸多应用中，特别是在安防领域，有着非常重要的作用。
目前目标重识别面临的主要挑战有：因为天气、视角或者监控设备的本身硬件等问题，造成所提取的特征的准确率偏低，从而错误识别目标，甚至无法识别。而且在目标密集或者拍摄角度等特殊场景下，目标会被遮挡，导致目标在图像中只有局部区域，能够用于目标识别的特征较少，进而导致目标重识别的准确率较低。以车辆重识别为例，因为同车型的不同车辆除了车牌号，在外观上是一模一样的，而且即使是同一辆车，在不同视角下也会有很大的差异。然而，基于传统的车牌识别的方法中，会因为上述的天气等原因导致特征提取的准确率偏低，进而导致错误识别车牌号。
发明内容
有鉴于此，本发明实施例提供了一种特征提取方法、目标重识别方法、装置及电子设备，以解决特征提取所导致的车辆重识别的准确率低的问题。
根据第一方面，本发明实施例提供了一种特征提取方法，包括：
获取目标图像；
将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
本发明实施例提供的特征提取方法，由于小尺寸的卷积核获取低分辨率并获得更高的精度和效率，小卷积核在浅层可以节省计算成本；大尺寸的卷积核则倾向于以更多的参数和计算为代价，获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。因此，通过将多个尺寸的卷积核融合进了一个卷积单元中，可以在有效降低模型大小的同时，也能保证特征提取的准确率。
结合第一方面，在第一方面第一实施方式中，所述目标图像还带有标注信息，所述标注信息包括所述目标图像中至少一个属性区域的位置信息以及类别标签；所述特征提取网络包括至少一种类别的局部特征提取网络；
其中，将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征，包括：
利用所述属性区域的位置信息，从所述目标图像提取所述属性区域的图像；
基于所述类别标签将所述属性区域的图像输入相应的局部特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同；
基于所述属性区域的特征，得到所述目标图像的特征。
本发明实施例提供的特征提取方法，利用标注信息确定属性区域的位置，再利用属性区域的位置从目标图像提取相应的属性区域的图像，较以往只是单纯的把图像均匀分为多个块状，并把这些块状图像作为属性区域的做法，能够使特征的提取更关注于目标本身的特征，而减少了背景信息的干扰，一定程度上提升了特征提取的准确度。
结合第一方面第一实施方式，在第一方面第二实施方式中，所述利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征，包括：
利用输入所述卷积单元的图像的通道数量以及所述并行的卷积层的数量，对输入所述卷积单元的图像进行通道分组；
将通道分组后的图像输入对应的卷积层中并利用所述卷积核进行特征提取，以得到所述属性区域的特征。
本发明实施例提供的特征提取方法，由于同一图像在电子设备中是按照通道存储的，那么利用输入卷积单元的图像的通道数量以及并行的卷积层的数量进行通道分组，只需按照通道的不同对图像进行划分，而不需要对图像进行额外的操作，提高了特征提取的效率。
结合第一方面第二实施方式，在第一方面第三实施方式中，所述利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，以得到所述属性区域的特征，还包括：
提取所述类别标签相同的属性区域的特征；
对提取出的属性区域的特征进行特征融合，得到对应于同一所述类别标签的所述属性区域的特征。
本发明实施例提供的特征提取方法，由于属于同一类别标签的属性区域可能有多个，即出现多对一的情况，且特征融合所需的计算量非常少，进行特征融合的处理只占用了很少的计算资源，又减少了特征存储所需要的空间，减少了后续重识别过程中的计算量，提升了计算效率。
结合第一方面第一实施方式，在第一方面第四实施方式中，所述获取目标图像的之后，还包括：
将所述目标图像输入属性分析网络中，得到所述带有标注信息的目标图像。
本发明实施例提供的特征提取方法，利用属性分析网络直接得到目标图像的标注信息，能够避免手工标注带来的位置信息不准确的问题。
结合第一方面，或第一方面第一实施方式至第一方面第四实施方式中的任一项，在第一方面第四实施方式中，所述特征提取网络包括全局特征提取网络；其中，所述将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征，包括：
将所述目标图像输入所述全局特征提取网络中，得到所述目标图像的全局特征。
结合第一方面第五实施方式，在第一方面第六实施方式中，当所述特征提取网络包括卷据特征提取网络以及至少一种类别的局部特征提取网络时，所述基于所述属性区域的特征，得到所述目标图像的特征，包括：
将所述目标图像输入特征提取网络中，输出所述目标图像的全局特征；
对所述属性区域的特征以及所述全局特征进行拼接，得到所述目标图像的特征。
本发明实施例提供的特征提取方法，通过将全局特征与局部特征进行拼接得到目标图像的特征，提高提取出的目标图像特征的准确性。
根据第二方面，本发明实施例还提供了一种目标重识别方法，包括：
获取目标图像；
根据本发明第一方面，或第一方面任一项实施方式中所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征；
基于所述目标图像的特征，确定候选图像中与所述目标图像属于同一目标的图像。
本发明实施例提供的目标重识别方法，由于提取出的特征的准确性能够利用上述的特征提取方法得到保证，那么在此基础上，能够保证目标重识别的准确性。
结合第二方面，在第二方面第一实施方式中，所述基于所述目标图像的特征，确定与所述目标图像属于同一目标的图像，包括：
获取候选图像的特征；
计算所述目标图像的特征与所述候选图像的特征之间的距离；
基于计算出的距离，确定所述候选图像中与所述目标图像属于同一目标的图像。
根据第三方面，本发明实施例还提供了一种特征提取装置，包括：
第一获取模块，用于获取目标图像；
第一特征提取模块，用于将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
根据第四方面，本发明实施例还提供了一种目标重识别装置，包括：
第二获取模块，用于获取目标图像；
第二特征提取模块，用于根据本发明第一方面，或第一方面任一项实施方式中所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征；
确定模块，用于基于所述目标图像的特征，确定候选图像中与所述目标图像属于同一目标的图像。
根据第五方面，本发明实施例提供了一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面或者第一方面的任意一种实施方式中所述的特征提取方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标重识别方法。
根据第六方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的特征提取方法，或执行第二方面或者第二方面的任意一种实施方式中所述的目标重识别方法。
相应地，本发明实施例还提供了与上述特征提取方法以及目标重识别方法相对应的装置、电子设备和计算机可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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的附图。
图1是根据本发明实施例的特征提取方法的流程图；
图2a是根据本发明实施例的卷积单元的结构框图；
图2b是根据本发明实施例的特征提取网络的结构框图；
图3是根据本发明实施例的特征提取方法的流程图；
图4是根据本发明实施例的特征提取网络的结构框图；
图5是根据本发明实施例的特征提取方法的流程图；
图6是根据本发明实施例的特征提取网络的结构框图；
图7是根据本发明实施例的目标识别方法的流程图；
图8是根据本发明实施例的目标识别方法的流程图；
图9是根据本发明实施例的车辆识别方法的示意图；
图10是根据本发明实施例的训练特征提取网络所采用的结构框图；
图11是根据本发明实施例的特征提取装置的结构框图；
图12是根据本发明实施例的目标识别装置的结构框图；
图13是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明实施例中的特征提取方法可以用在任何特征提取的场景中。例如，人脸特征提取、行人特征提取、车辆特征提取等等。在此对特征提取的具体应用场景并不做任何限制。关于所述的特征提取方法将在下文中进行详细描述。
本发明实施例还提供了一种目标重识别方法，所述的目标重识别方法是基于上述的特征提取方式实现的。具体地，利用上述特征提取方法对目标图像以及候选图像中图像进行检索，从候选图像中确定与目标图像属于同一目标的图像。关于所述的目标重识别方法将在下文中进行详细描述。
根据本发明实施例，提供了一种特征提取方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种特征提取方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例的特征提取方法的流程图，如图1所示，该流程包括如下步骤：
S11，获取目标图像。
所述的目标图像可以是事先存储在电子设备中，也可以是电子设备从外界获取到的。例如，可以是电子设备从外界监控设备中获取到的，也可以是电子设备从外界监控设备的监控视频中提取图像帧得到的。以目标图像为车辆图像为例，车辆图像可以是电子设备从监控设备所拍摄的监控视频中，提取图像帧得到的。
在此对目标图像的来源并不做任何限制，只需保证电子设备能够获取到所述的目标图像即可。
S12，将目标图像输入特征提取网络中，并利用特征提取网络中的至少一个卷积单元对目标图像进行特征提取，得到目标图像的特征。
其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
所述的特征提取网络用于对目标图像进行特征提取，其中，具体的特征提取是通过特征提取网络中的至少一个卷积单元实现的。特征提取网络中卷积单元的数量可以根据实际使用场景进行具体设置，在此对特征提取网络中的卷积单元的数量并不做任何限制。
特征提取网络中的每个卷积单元均包括至少两个并行的卷积层且卷积层之间的卷积核尺寸不同，即，每个卷积单元包括两个或多个并行的卷积层。需要说明的是，特征提取网络的各个卷积单元中并行的卷积层的数量也可以是相同的，也可以是不同的，例如卷积单元1包括两个并行的卷积层，卷积单元2包括四个并行的卷积层等等。
所述并行的卷积层，即为卷积单元的输入分别送入两个或多个的卷积层中，进行并行的特征提取。例如，若卷积单元包括两个并行的卷积层，那么该卷积单元的输入分别输入这两个卷积层中，进行并行的特征提取。
在同一个卷积单元中，各个卷积层对应的卷积核的尺寸不同。例如，在卷积单元1中具有4个并行的卷积层，卷积层1的卷积核的尺寸为1*1，卷积层2的卷积核的尺寸为3*3，卷积层3的卷积核的尺寸为5*5，卷积层4的卷积核的尺寸为7*7。
图2a示出了卷积单元的一个具体结构，如图2a所示，卷积单元包括3个并行的卷积层，各个卷积层的卷积核的尺寸分别为3*3、5*5以及7*7。其中，在每个卷积层后面还可以再接另一个卷积单元。例如，在图2a所示的卷积单元中，对应于3*3的卷积核的卷积层后，还可以再接一个卷积单元。
图2b示出了特征提取网络的一个具体结构，如图2b所示，该特征提取网络包括2个卷积单元，每个卷积单元分别用于对目标图像进行全局特征提取以及局部特征提取，在提取出全局特征以及局部特征之后，再将两者进行融合，得到目标图像的特征。
其中，关于利用卷积层进行特征提取的方式在此不再赘述。
本实施例提供的特征提取方法，由于小尺寸的卷积核获取低分辨率并获得更高的精度和效率，小卷积核在浅层可以节省计算成本；大尺寸的卷积核则倾向于以更多的参数和计算为代价，获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。因此，通过将多个尺寸的卷积核融合进了一个卷积单元中，可以在有效降低模型大小的同时，也能保证特征提取的准确率。
在本实施例中提供了一种特征提取方法，可用于电子设备，如电脑、手机、平板电脑等，图3是根据本发明实施例的特征提取方法的流程图，如图3所示，该流程包括如下步骤：
S21，获取目标图像。
所述目标图像还带有标注信息，所述标注信息包括所述目标图像中至少一个属性区域的位置信息以及类别标签。其中，标注信息可以是人工标注得到的，也可以是通过属性分析模型得到的。即，电子设备在获取到目标图像之后，将目标图像输入属性分析模型中，输出带有标注信息的目标图像。
所述的属性分析模型的输入为目标图像，输出图像为带标注信息的目标图像。如上文所述标注信息包括目标图像中的属性区域的位置信息以及类别标签。以目标图像为车辆图像为例，属性区域可以是车辆的车牌、年检标志、车轮、车窗等等。即，也可以将属性区域理解为目标图像的局部区域。
所述的标注信息可以是在车辆图像中框选出车牌、年检标志、车轮等等属性区域，并记录位置信息以及类别标签，所述的类别标签用于表示该属性区域的类别，即，当前的属性区域是车牌还是年检标志等等。
属性分析模型也可以理解为分类模型，对输入的目标图像中的属性进行分类，关于属性分析模型的具体结构细节并不做任何限制，只需保证其能够识别并检测出目标图像中的属性区域即可。
其余详细请参见图1所示实施例的S11，在此不再赘述。
S22，将目标图像输入特征提取网络中，并利用特征提取网络中的至少一个卷积单元对目标图像进行特征提取，得到目标图像的特征。
其中，所述卷积单元包括至少两个并行的卷积层且卷积层之间的卷积核尺寸不同。所述特征提取网络包括至少一种类别的局部特征提取网络。
所述的局部特征提取网络，用于对目标图像的局部图像进行特征提取。即，利用局部特征提取网络对上述S21中的属性区域进行特征提取，得到属性区域的特征。
其中，特征提取网络中局部特征提取网络的具体数量可以根据实际情况进行具体设置。例如，利用属性区域的类别将其划分为大区域的属性区域以及小区域的属性区域，再分别对应于大区域的属性区域以及小区域的属性区域分布设置两个局部特征提取网络。
以目标图像为车辆图像为例，可以将类别标签为车前盖、挡风玻璃、车顶、车侧、车头以及车尾的这6个属性区域划分为大区域；将类别标签为车轮、车标、车灯、后视镜、年检车标、挂件、摆件的这7个属性区域划分为小区域。那么，分别对应于大区域以及小区域，设置有大区域的属性区域以及小区域的属性区域。
当然，也可以利用属性区域的类别对其进行更细的划分，在此对局部特征提取网络的具体设置数量并不做任何限制。
具体地，上述S22包括如下步骤：
S221，利用属性区域的位置信息，从目标图像提取所述属性区域的图像。
由于在上述S21中所获取到的目标图像是带有属性区域的位置信息的，那么电子设备利用属性区域的位置信息即可从目标图像中提取出属性区域的图像。
以上文所示的目标图像为车辆图像为例，车辆图像中共标注有13种类别标签的属性区域，其中，大区域的属性区域有6个，小区域的属性区域有7个。电子设备在S21中获取到这13种类别标签的属性区域的位置信息之后，利用位置信息从车辆图像中提取对应的属性区域的图像。
S222，基于类别标签将属性区域的图像输入相应的局部特征提取网络中，并利用特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到属性区域的特征。
其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
继续以上文的车辆图像为例，如图4所示，图4中示出了特征提取网络的一种具体实施方式，在特征提取网络种设置有2种类别的局部特征提取网络，分别用于对大区域的属性区域以及小区域的属性区域进行特征提取。
需要说明的是，虽然在图4中对于每个局部特征提取网络内的卷积单元的结构是相同的，但是本发明的保护范围并不限于此，每个局部特征提取网络内的卷积单元的数量，以及卷积单元内并行的卷积层的数量也是可以不同的，具体可以根据实际情况继续相应的设置，在此并不做任何限制。
进一步地，因为大区域的属性区域和小区域的属性区域的图像尺寸不同，所以大区域分支的局部特征提取网络的深度和小区分支的局部特征提取网络的深度不同。所述的“深度”可以理解为特征提取网络的层数。特征提取网络每层的输入经过卷积后，输出的尺寸大小都会变小或者不变。例如，24*24大小的输入，经过3*3的卷积后，输出变为22*22。因为大区域的属性区域的图像会比小区域的属性区域的图像大，如果经过相同深度的卷积的话，那么输出的尺寸会不同，这样不利于之后的操作。所以，需要大区域的属性区域要经过更深的卷积，使其和小区域的属性区域的输出尺寸相同。而且大区域经过更深的卷积，可以获得更丰富的特征表示。
作为本实施例的一种可选实施方式，所述的利用特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到属性区域的特征，包括如下步骤：
(1)利用输入卷积单元的图像的通道数量以及并行的卷积层的数量，对输入卷积单元的图像进行通道分组。
例如，局部特征提取网络的输入图像的尺寸是：b*c*w*h，b表示输入的图像数量，w、h分别代表图像的宽和高，c表示的就是通道数。对于刚输入的RGB图来说，通道数就是3。但是数据经过每一层的卷积操作之后，输出的通道数会发生改变(可以是32个通道，也可以是128个通道，数值可以自定义)。
假设目前的通道数是32，若并行的卷积层的数量为4，可以把其均匀分为4组。其中，均匀划分还是非均匀划分，是取决于根据任务需求而定的并行的卷积层的数量。
(2)将通道分组后的图像输入对应的卷积层中并利用卷积核进行特征提取，以得到属性区域的特征。
具体实施时，对输入图像的通道分组，即将特征提取网络上一层输出的特征图按照通道进行分割，分割成多组；并对每个组内应用不同尺寸的卷积核，最终将每组的输出合并。这样就把多个尺寸的卷积核融合进了一个卷积操作中，这样的做法在有效降低特征提取网络大小的同时，也能保证特征提取的准确率。
如上文所述的实施例，在通道分组之后，可以将第一组的8个通道，应用1*1的卷积；第二组的8个通道，应用3*3的卷积；第三组的8个通道，应用5*5的卷积；第四组的8个通道应用7*7的卷积。最后再将各组的输出结果进行合并即可得到属性区域的特征。
由于同一图像在电子设备中是按照通道存储的，那么利用输入卷积单元的图像的通道数量以及并行的卷积层的数量进行通道分组，只需按照通道的不同对图像进行划分，而不需要对图像进行额外的操作，提高了特征提取的效率。
在本实施例的一些可选实施方式中，因为目标图像的一些属性区域的数量是复数的，如车辆图像中的后视镜和车轮，这样就会在最终特征比对时造成多对一的情况，所以在这一步先对这些复数特征进行特征融合。具体地，所述利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，以得到所述属性区域的特征，还包括一下步骤：
(1)提取类别标签相同的属性区域的特征。
电子设备在上述S21中能够获取到各个属性区域的类别标签，这个“标签”就表明了这个属性区域是车前盖的还是车顶的或者是其他区域的，那么相同的标签有多个，就表明这张图像中对应的属性区域有多个。若同一类别标签下具有多个属性区域，那么电子设备提取出这些类别标签相同的属性区域的特征。
(2)对提取出的属性区域的特征进行特征融合，得到对应于同一所述类别标签的所述属性区域的特征。
电子设备在提取出类别标签相同的属性区域的特征之后，可以对这些特征进行均值融合，或最大值融合等等。所述的均值融合可以感知空间的全局信息并考虑了上下文，而最大值融合能够提取最具辨识能力的信息并忽略干扰信息。
其中，因为相同区域的特征的维度是相同的，那么进行特征的均值融合时，仅需要对相同位置的特征求和取均值，并作为融合后的特征值输出，可以采用较少的计算量得到较准确的属性区域的特征。
由于属于同一类别标签的属性区域可能有多个，即出现多对一的情况，且特征融合所需的计算量非常少，进行特征融合的处理只占用了很少的计算资源，又减少了特征存储所需要的空间，减少了后续重识别过程中的计算量，提升了计算效率。
S223，基于属性区域的特征，得到目标图像的特征。
电子设备在得到属性区域的特征之后，将所有属性区域的特征进行拼接，得到目标图像的特征。
本实施例提供的特征提取方法，利用标注信息确定属性区域的位置，再利用属性区域的位置从目标图像提取相应的属性区域的图像，较以往只是单纯的把图像均匀分为多个块状，并把这些块状图像作为属性区域的做法，能够使特征的提取更关注于目标本身的特征，而减少了背景信息的干扰，一定程度上提升了特征提取的准确度。
在本实施例中提供了一种特征提取方法，可用于电子设备，如电脑、手机、平板电脑等，图5是根据本发明实施例的特征提取方法的流程图，如图5所示，该流程包括如下步骤：
S31，获取目标图像。
详细请参见图3所示实施例的S21，在此不再赘述。
S32，将目标图像输入特征提取网络中，并利用特征提取网络中的至少一个卷积单元对目标图像进行特征提取，得到目标图像的特征。
其中，所述卷积单元包括至少两个并行的卷积层且卷积层之间的卷积核尺寸不同。所述特征提取网络包括全局特征提取网络以及至少一种类别的局部特征提取网络。
如图6所示，在本实施例中，电子设备利用全局特征提取网络对输入的目标图像进行全局特征提取，利用至少一种类别的局部特征提取网络对输入的目标图像的属性区域进行局部特征提取。
需要说明的是，图6中的特征提取网络的具体结构仅仅作为一种具体示意，本发明的保护范围并不限于此，可以根据实际情况进行相应的设置。
具体地，上述S32包括如下步骤：
S321，利用属性区域的位置信息，从目标图像提取所述属性区域的图像。
详细请参见图3所示实施例的S221，在此不再赘述。
S322，基于类别标签将属性区域的图像输入相应的局部特征提取网络中，并利用特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到属性区域的特征。
其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
详细请参见图3所示实施例的S222，在此不再赘述。
S323，将目标图像输入全局特征提取网络中，得到目标图像的全局特征。
如图6所示，电子设备将目标图像输入全局特征提取网络中，利用全局特征提取网络中的卷积单元进行特征提取，得到目标图像的全局特征。其中，关于卷积单元的具体结构细节请参见上文所示，在此不再赘述。
S324，对属性区域的特征以及全局特征进行拼接，得到目标图像的特征。
电子设备在得到属性区域的特征以及全局特征进行拼接，例如，可以是属性区域的特征在前，全局特征在后。再细分的话，属性区域的特征的顺序可以自定义。以车辆图像为例，先是车前盖的特征、接着是车窗的特征……。这个顺序并无特殊要求，但一经确定，之后的顺序都要保持一致。
本实施例提供的特征提取方法，通过将全局特征与局部特征进行拼接得到目标图像的特征，提高提取出的目标图像特征的准确性。
根据本发明实施例，提供了一种目标重识别方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种目标重识别方法，可用于电子设备，如电脑、手机、平板电脑等，图7是根据本发明实施例的目标重识别方法的流程图，如图7所示，该流程包括如下步骤：
S41，获取目标图像。
详细请参见图5所示实施例的S31，在此不再赘述。
S42，根据上述实施例所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征。
详细请参见图1、3以及5所示实施例中所述的特征提取方法，在此不再赘述。
S43，基于目标图像的特征，确定候选图像中与目标图像属于同一目标的图像。
电子设备可以事先存储候选图像中各个图像的特征，候选图像中各个图像的特征也可以采用上述1、3以及5所示实施例中所述的特征提取方法进行特征提取。电子设备在得到目标图像的特征以及候选图像中图像的特征之后，可以计算两者之间的距离，以确定出候选图像中与目标图像属于同一目标的图像。
本实施例提供的目标重识别方法，由于提取出的特征的准确性能够利用上述的特征提取方法得到保证，那么在此基础上，能够保证目标重识别的准确性。
在本实施例中提供了一种目标重识别方法，可用于电子设备，如电脑、手机、平板电脑等，图8是根据本发明实施例的目标重识别方法的流程图，如图8所示，该流程包括如下步骤：
S51，获取目标图像。
详细请参见图7所示实施例的S41，在此不再赘述。
S52，根据上述实施例所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征。
详细请参见图7所示实施例的S42，在此不再赘述。
S53，基于目标图像的特征，确定候选图像中与目标图像属于同一目标的图像。
具体地，上述S53包括如下步骤：
S531，获取候选图像的特征。
如上文所示，候选图像的特征也可以采用杉树实施例中的特征提取方法提取得到的。
S532，计算目标图像的特征与候选图像的特征之间的距离。
电子设备可以计算两个特征的余弦距离，或欧式距离等等。
例如，采用可以采用如下公式计算两个特征之间的余弦距离：
Figure BDA0002546006000000151
其中，A、B分别代表不同的特征向量。
S533，基于计算出的距离，确定候选图像中与目标图像属于同一目标的图像。
电子设备可以将对应的距离最小的候选图像，确定为与目标图像属于同一目标的图像。
如上述的余弦距离，两个向量的夹角越小则余弦距离越大，反之，夹角越大则余弦距离越小。而两个向量之间的余弦距离越小，则表明它们所代表的两张图像越相似，利用余弦距离得出目标图像与各个候选图像之间的相似度。进一步地，在一个实施例方式中，可根据目标图像与候选图像之间的相似度对候选图像进行排序，按照相似度大小降序排列，将排在前面预设数量的候选图像作为与目标图像属于同一目标的图像。在另一个实施方式中，可将与目标图像相似度超过预设阈值的候选图像作为与目标图像属于同一目标的图像。
在一个实施例中，将上述目标重识别方法应用在车辆重识别的领域，如图9所示，在进行车辆重识别之前，首先构建神经网络，并依据图像对网络进行训练，得到属性分析网络以及特征提取网络。其中，属性分析网络主要是用来得到输入图像中，车辆各个局部属性的位置；特征提取网络是为了对图像的全局以及局部信息进行提取特征。在网络构建完成之后，就可以通过训练好的网络，得到输入图像的特征信息，进而和搜索图像库进行对比就能够得到同一车辆的所有图像。
网络的训练过程包括：获取大量的车辆图像，用来训练网络模型。使用获取到的数据集，训练并得到属性分析网络和特征提取网络。通过区域分析网络得到车辆图像的局部属性位置，接着基于车辆的全局图像和其局部属性区域的位置，通过特征提取网络得到车辆全局和局部的特征，将这些特征经过区域融合后，在维度上堆叠，得到最终车辆图像的特征表示。最后，基于特征表示，计算输入车辆图像和搜索图像库中每幅图像的相似度，据此得出最终车辆重识别的结果。
具体地，首先是车辆数据集的获取，可以依托监控卡口的监控设备得到大量的车辆图像数据，然后人工标注车辆图像信息，将同一样车的图像编码相同。最后把数据集按照一定比例划分为训练集和测试集，测试集主要用来检测神经网络的训练效果，如果不需要测试，也可以把全部的数据集作为训练集使用。
接着将训练集图像输入至构建好的神经网络中训练网络，这里需要构建两个神经网络。一个是属性分析网络，用来对车辆图像进行区域属性分析，得到车辆局部区域属性的位置，如车顶、挡风玻璃等。另一个是特征提取网络，用来对车辆图像进行提取特征，得到车辆的全局和局部的特征。两个网络是分开训练的，在训练特征提取网络的时候，不仅需要车辆的图像，还需要属性分析网络输出的图像中各个局部属性坐标信息，以及最开始对图像手工标注的图像编码(以区分不同的车辆图像)。其中，训练特征提取网络所采用的结构如图10所示，整个网络分为多支，大致可分为全局、大区域和小区域分支。车辆的整图直接进入全局分支，经过多次卷积池化操作后提取出全局图像的特征。不同的局部属性区域的图像传入相对应的分支中，传入的是车辆的整图以及相应的局部属性区域坐标，经过ROIPooling层，将局部区域的图像抠取出来，之后经过卷积池化提取局部属性特征。因为大区域的图像相比小区域的图像更大，所以大区域分支的网络深度会更深。最后三大分支提取到相同维度的特征后，经过融合层，得到融合后的全局和局部特征，利用softmaxloss损失函数来对整个网络进行监督。该融合层主要是用来训练网络计算网络损失，之后对图像推断并计算相似度时，用到的是融合层之前的全连接层的特征图像。因为在构建网络的时候，采用在单个深度卷积运算中混合不同尺寸的多个卷积核的策略，最终的模型大小会更小，这使得最终能够部署模型的设备的选择更加灵活。
后续在对输入图像进行重识别的时候，提取的是融合层之前各个分支的全连接层的特征图像，作为该车辆图像每个区域属性的特征。对于局部区域的数量是复数的，如后视镜和车轮，需要进行区域融合。将同一张图片的相同区域的特征经过均值特征融合，将多个相同维度的特征融合为一个特征，并将其作为该区域的图像特征。最后将这些区域的图像特征，在维度上进行堆叠后，作为输入图像最终的特征表示。
之后，我们需要计算输入图像和搜索图像库的相似度，通过相似度得到最终车辆重识别的结果。因为图像特征是以向量的形式表示的，那么就可以在向量空间中计算特征向量之间的距离，通过向量距离来评估特征之间的相似度。之后按照相似度从高到低排序，排序越靠前，那么就越有可能和输入车辆图像为同一辆车。这里计算特征向量之间的距离时，采用的是余弦距离，计算公式为：
Figure BDA0002546006000000181
其中A、B分别代表不同的特征向量，两个向量的夹角越小则余弦距离越大，反之，夹角越大则余弦距离越小。而两个向量之间的余弦距离约小，则表明他们所代表的两张图像越相似。
之前训练的两个网络，一经训练完成，就不需改变，在使用的阶段，仅需要提供待查询的车辆图像即可，之后会自动的得出车辆重识别的结果。
本发明通过区域属性分析网络得到车辆图像的局部属性区域，并进一步的通过特征提取网络融合车辆图像的全局和局部特征，能够很好的实现车辆重识别。而且，由于采用的网络构建策略，使得在保证模型精确度的同时，网络模型大小得到压缩，本发明可以在容量及计算能力都有限的设备中使用。
在本实施例中还提供了一种特征提取装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种特征提取装置，如图11所示，包括：
第一获取模块61，用于获取目标图像；
第一特征提取模块62，用于将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
可选地，所述目标图像还带有标注信息，所述标注信息包括所述目标图像中至少一个属性区域的位置信息以及类别标签；所述特征提取网络包括至少一种类别的局部特征提取网络；其中，所述第一特征提取模块62，包括：
图像提取单元，用于利用所述属性区域的位置信息，从所述目标图像提取所述属性区域的图像；
第一特征提取单元，用于基于所述类别标签将所述属性区域的图像输入相应的局部特征提取网络中，并利用所述局部特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征；
图像特征确定单元，用于基于所述属性区域的特征，得到所述目标图像的特征。
可选地，所述的第一特征提取模块62，还包括：
分组单元，用于利用输入所述卷积单元的图像的通道数量以及所述并行的卷积层的数量，对输入所述卷积单元的图像进行通道分组；
第一输入单元，用于将通道分组后的图像输入对应的卷积层中并利用所述卷积核进行特征提取，以得到所述属性区域的特征。
可选地，所述的第一特征提取模块62，还包括：
第二特征提取单元，提取所述类别标签相同的属性区域的特征；
特征融合单元，用于对提取出的属性区域的特征进行特征融合，得到对应于同一所述类别标签的所述属性区域的特征。
可选地，所述的特征提取装置，还包括：
属性分析单元，用于将所述目标图像输入属性分析网络中，得到所述带有标注信息的目标图像。
可选地，所述特征提取网络包括全局特征提取网络；其中，所述的第一特征提取模块62，包括：
全局特征提取单元，用于将所述目标图像输入所述全局特征提取网络中，得到所述目标图像的全局特征。
可选地，当所述特征提取网络包括全局特征提取网络以及至少一种类别的局部特征提取网络时，所述基于所述属性区域的特征，得到所述目标图像的特征，包括：
第二输入单元，用于将所述目标图像输入所述全局特征提取网络中，输出所述目标图像的全局特征；
拼接单元，用于对所述属性区域的特征以及所述全局特征进行拼接，得到所述目标图像的特征。
本实施例还提供了一种目标重识别装置，如图12所示，包括：
第二获取模块71，用于获取目标图像；
第二特征提取模块72，用于根据权利要求1-6中任一项所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征；
确定模块73，用于基于所述目标图像的特征，确定候选图像中与所述目标图像属于同一目标的图像。
可选地，所述确定模块73，包括：
获取单元，用于获取候选图像的特征；
计算单元，用于计算所述目标图像的特征与所述候选图像的特征之间的距离；
确定单元，用于基于计算出的距离，确定所述候选图像中与所述目标图像属于同一目标的图像。
本实施例中的特征提取装置，或目标重识别装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本发明实施例还提供一种电子设备，具有上述图11所示的特征提取装置，或图12所示的目标重识别装置。
请参阅图13，图13是本发明可选实施例提供的一种电子设备的结构示意图，如图13所示，该电子设备可以包括：至少一个处理器81，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口83，存储器84，至少一个通信总线82。其中，通信总线82用于实现这些组件之间的连接通信。其中，通信接口83可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口83还可以包括标准的有线接口、无线接口。存储器84可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器84可选的还可以是至少一个位于远离前述处理器81的存储装置。其中处理器81可以结合图11或图12所描述的装置，存储器84中存储应用程序，且处理器81调用存储器84中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线82可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线82可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器84可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器84还可以包括上述种类的存储器的组合。
其中，处理器81可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器81还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器84还用于存储程序指令。处理器81可以调用程序指令，实现如本申请图1、3以及5实施例中所示的特征提取方法，或如本申请图7以及图8实施例中所示的目标重识别方法。
本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的特征提取方法，或目标重识别方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (12)

1.一种特征提取方法，其特征在于，包括：
获取目标图像；
将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
2.根据权利要求1所述的方法，其特征在于，所述目标图像还带有标注信息，所述标注信息包括所述目标图像中至少一个属性区域的位置信息以及类别标签；所述特征提取网络包括至少一种类别的局部特征提取网络；
其中，将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征，包括：
利用所述属性区域的位置信息，从所述目标图像提取所述属性区域的图像；
基于所述类别标签将所述属性区域的图像输入相应的局部特征提取网络中，并利用所述局部特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征；
基于所述属性区域的特征，得到所述目标图像的特征。
3.根据权利要求2所述的方法，其特征在于，所述利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征，包括：
利用输入所述卷积单元的图像的通道数量以及所述并行的卷积层的数量，对输入所述卷积单元的图像进行通道分组；
将通道分组后的图像输入对应的卷积层中并利用所述卷积核进行特征提取，以得到所述属性区域的特征。
4.根据权利要求3所述的方法，其特征在于，所述利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，以得到所述属性区域的特征，还包括：
提取所述类别标签相同的属性区域的特征；
对提取出的属性区域的特征进行特征融合，得到对应于同一所述类别标签的所述属性区域的特征。
5.根据权利要求2所述的方法，其特征在于，所述获取目标图像的之后，还包括：
将所述目标图像输入属性分析网络中，得到所述带有标注信息的目标图像。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述特征提取网络包括全局特征提取网络；其中，所述将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征，包括：
将所述目标图像输入所述全局特征提取网络中，得到所述目标图像的全局特征。
7.根据权利要求6所述的方法，其特征在于，当所述特征提取网络包括全局特征提取网络以及至少一种类别的局部特征提取网络时，所述基于所述属性区域的特征，得到所述目标图像的特征，包括：
将所述目标图像输入所述全局特征提取网络中，输出所述目标图像的全局特征；
对所述属性区域的特征以及所述全局特征进行拼接，得到所述目标图像的特征。
8.一种目标重识别方法，其特征在于，包括：
获取目标图像；
根据权利要求1-7中任一项所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征；
基于所述目标图像的特征，确定候选图像中与所述目标图像属于同一目标的图像。
9.一种特征提取装置，其特征在于，包括：
第一获取模块，用于获取目标图像；
第一特征提取模块，用于将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。
10.一种目标重识别装置，其特征在于，包括：
第二获取模块，用于获取目标图像；
第二特征提取模块，用于根据权利要求1-7中任一项所述的特征提取方法对所述目标图像进行特征提取，得到所述目标图像的特征；
确定模块，用于基于所述目标图像的特征，确定候选图像中与所述目标图像属于同一目标的图像。
11.一种电子设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的特征提取方法，或权利要求8所述的目标重识别方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的特征提取方法，或权利要求8所述的目标重识别方法。
CN202010560841.3A 2020-06-18 2020-06-18 特征提取方法、目标重识别方法、装置及电子设备 Active CN111709377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010560841.3A CN111709377B (zh) 2020-06-18 2020-06-18 特征提取方法、目标重识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010560841.3A CN111709377B (zh) 2020-06-18 2020-06-18 特征提取方法、目标重识别方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111709377A true CN111709377A (zh) 2020-09-25
CN111709377B CN111709377B (zh) 2023-04-07

Family

ID=72541784

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010560841.3A Active CN111709377B (zh) 2020-06-18 2020-06-18 特征提取方法、目标重识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111709377B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128345A (zh) * 2021-03-22 2021-07-16 深圳云天励飞技术股份有限公司 多任务属性识别方法及设备、计算机可读存储介质
CN113469102A (zh) * 2021-07-13 2021-10-01 浙江大华技术股份有限公司 目标对象的重识别方法及装置、存储介质、电子装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583483A (zh) * 2018-11-13 2019-04-05 中国科学院计算技术研究所 一种基于卷积神经网络的目标检测方法和系统
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置
CN111222589A (zh) * 2018-11-27 2020-06-02 中国移动通信集团辽宁有限公司 图像文本识别方法、装置、设备及计算机存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583483A (zh) * 2018-11-13 2019-04-05 中国科学院计算技术研究所 一种基于卷积神经网络的目标检测方法和系统
CN111222589A (zh) * 2018-11-27 2020-06-02 中国移动通信集团辽宁有限公司 图像文本识别方法、装置、设备及计算机存储介质
CN110598709A (zh) * 2019-08-12 2019-12-20 北京智芯原动科技有限公司 一种卷积神经网络训练方法以及车牌识别方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113128345A (zh) * 2021-03-22 2021-07-16 深圳云天励飞技术股份有限公司 多任务属性识别方法及设备、计算机可读存储介质
CN113469102A (zh) * 2021-07-13 2021-10-01 浙江大华技术股份有限公司 目标对象的重识别方法及装置、存储介质、电子装置

Also Published As

Publication number Publication date
CN111709377B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN108009543B (zh) 一种车牌识别方法及装置
CN110414507B (zh) 车牌识别方法、装置、计算机设备和存储介质
US10192107B2 (en) Object detection method and object detection apparatus
CN107944450B (zh) 一种车牌识别方法及装置
CN108960211B (zh) 一种多目标人体姿态检测方法以及系统
US11455805B2 (en) Method and apparatus for detecting parking space usage condition, electronic device, and storage medium
CN111027504A (zh) 人脸关键点检测方法、装置、设备及存储介质
CN110135318B (zh) 过车记录的确定方法、装置、设备及存储介质
WO2020258077A1 (zh) 一种行人检测方法及装置
CN110503682B (zh) 矩形控件识别方法、装置、终端及存储介质
CN111783654B (zh) 车辆重识别方法、装置及电子设备
CN111274926B (zh) 图像数据筛选方法、装置、计算机设备和存储介质
CN111709377B (zh) 特征提取方法、目标重识别方法、装置及电子设备
CN111860219B (zh) 一种高速占道判断方法、装置及电子设备
CN110910445A (zh) 一种物件尺寸检测方法、装置、检测设备及存储介质
CN114170516A (zh) 一种基于路侧感知的车辆重识别方法、装置及电子设备
CN110298302B (zh) 一种人体目标检测方法及相关设备
CN110232381B (zh) 车牌分割方法、装置、计算机设备及计算机可读存储介质
CN108960246B (zh) 一种用于图像识别的二值化处理装置及方法
CN112287905A (zh) 车辆损伤识别方法、装置、设备及存储介质
CN110458004B (zh) 一种目标对象识别方法、装置、设备以及存储介质
CN112241736B (zh) 一种文本检测的方法及装置
CN114897987B (zh) 一种确定车辆地面投影的方法、装置、设备及介质
CN116958582A (zh) 一种数据处理方法和相关装置
CN112101139B (zh) 人形检测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant