CN111753753A - 图像识别方法及装置、电子设备和存储介质 - Google Patents

图像识别方法及装置、电子设备和存储介质 Download PDF

Info

Publication number
CN111753753A
CN111753753A CN202010598146.6A CN202010598146A CN111753753A CN 111753753 A CN111753753 A CN 111753753A CN 202010598146 A CN202010598146 A CN 202010598146A CN 111753753 A CN111753753 A CN 111753753A
Authority
CN
China
Prior art keywords
image
sample
format
recognition
training
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.)
Pending
Application number
CN202010598146.6A
Other languages
English (en)
Inventor
于志鹏
吴一超
梁鼎
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.)
Beijing Sensetime Technology Development Co Ltd
Original Assignee
Beijing Sensetime Technology Development 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 Beijing Sensetime Technology Development Co Ltd filed Critical Beijing Sensetime Technology Development Co Ltd
Priority to CN202010598146.6A priority Critical patent/CN111753753A/zh
Publication of CN111753753A publication Critical patent/CN111753753A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation

Landscapes

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

Abstract

本公开涉及一种图像识别方法及装置、电子设备和存储介质，所述方法包括：采集目标对象对应的待识别图像；获取所述待识别图像的图像格式及参考图像的图像格式；根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。本公开实施例可实现提高识别精度。

Description

图像识别方法及装置、电子设备和存储介质
技术领域
本公开涉及计算机技术领域，尤其涉及一种图像识别方法及装置、电子设备和存储介质。
背景技术
目前人脸识别的应用非常广泛，例如：手机人脸解锁、智能门锁等，如何提高人脸识别的精度是目前行业内关注的问题。
发明内容
本公开提出了一种用于进行身份识别的图像识别技术方案。
根据本公开的一方面，提供了一种图像识别方法，包括：
采集目标对象对应的待识别图像；
获取所述待识别图像的图像格式及参考图像的图像格式；
根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的格式不同；所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，包括：
将所述待识别图像及所述参考图像中图像格式为第一格式的图像，确定为第一图像，及将所述待识别图像及所述参考图像中图像格式为第二格式的图像，确定为第二图像；
将所述第一图像进行格式转换为得到第三图像；
将所述第三图像与所述第二图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的图像格式相同；所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，包括：
将所述待识别图像与所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，通过识别网络实现所述根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果；所述方法还包括：
根据预设的训练集训练所述识别网络，所述训练集包括多个第一样本组、多个第二样本组、及多个第三样本组，
其中，所述第一样本组中包括第一格式的第一样本图像及第一格式的第二样本图像，及所述第一样本图像的标注信息；所述第二样本组中包括第二格式的第三样本图像及第二格式的第四样本图像，及所述第三样本图像的标注信息；所述第三样本组中包括第一格式的第五样本图像及第二格式的第六样本图像，及所述第五样本图像的标注信息。
在一种可能的实现方式中，所述根据预设的训练集训练所述识别网络，包括：
根据所述多个第一样本组对所述识别网络进行第一训练；
将所述多个第一样本组与所述多个第二样本组组成第一样本集，根据所述第一样本集对所述第一训练后的识别网络进行第二训练；
在所述第一样本集中加入多个第三样本组，得到第二样本集，根据所述第二样本集对所述第二训练后的识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行所述第一训练的情况下，所述识别网络对应的损失函数包括第一权重的第一损失项；
在对所述识别网络进行所述第二训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项，所述第二权重从起始权重变化到所述第一权重，所述起始权重小于所述第一权重；
在对所述识别网络进行所述第三训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第三权重的第三损失。
在一种可能的实现方式中，根据所述第二样本集对所述第二训练后的识别网络进行第三训练，包括：
将所述第五样本图像进行格式转换得到第七样本图像；
将所述第七样本图像与所述第六样本图像输入所述识别网络，得到针对所述第五样本图像的第一识别结果；
根据所述第五样本图像的第一识别结果，对所述第二训练后的所述识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行第三训练之前，所述方法，还包括：
将所述第五样本图像与所述第六样本图像输入所述识别网络，得到所述第五样本图像的第二识别结果；
根据所述第五样本图像的第二识别结果，对所述第二训练后的所述识别网络进行第四训练。
在一种可能的实现方式中，在对所述识别网络进行所述第四训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第四权重的第四损失项，所述方法还包括：
在根据所述第四权重的第四损失项确定识别网络的损失的情况下，对所述第四权重进行调整，和/或对所述第四损失项进行相似性约束和/或区分性约束。
根据本公开的一方面，提供了一种图像识别装置，其特征在于，包括：
采集模块，用于采集目标对象对应的待识别图像；
获取模块，用于获取所述待识别图像的图像格式及参考图像的图像格式；
比对模块，用于根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的格式不同；所述比对模块，还用于：
将所述待识别图像及所述参考图像中图像格式为第一格式的图像，确定为第一图像，及将所述待识别图像及所述参考图像中图像格式为第二格式的图像，确定为第二图像；
将所述第一图像进行格式转换为得到第三图像；
将所述第三图像与所述第二图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的图像格式相同；所述比对模块，还用于：
将所述待识别图像与所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，通过识别网络实现所述根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果；所述装置还包括：
训练模块，用于根据预设的训练集训练所述识别网络，所述训练集包括多个第一样本组、多个第二样本组、及多个第三样本组，
其中，所述第一样本组中包括第一格式的第一样本图像及第一格式的第二样本图像，及所述第一样本图像的标注信息；所述第二样本组中包括第二格式的第三样本图像及第二格式的第四样本图像，及所述第三样本图像的标注信息；所述第三样本组中包括第一格式的第五样本图像及第二格式的第六样本图像，及所述第五样本图像的标注信息。
在一种可能的实现方式中，所述训练模块，还用于：
根据所述多个第一样本组对所述识别网络进行第一训练；
将所述多个第一样本组与所述多个第二样本组组成第一样本集，根据所述第一样本集对所述第一训练后的识别网络进行第二训练；
在所述第一样本集中加入多个第三样本组，得到第二样本集，根据所述第二样本集对所述第二训练后的识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行所述第一训练的情况下，所述识别网络对应的损失函数包括第一权重的第一损失项；
在对所述识别网络进行所述第二训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项，所述第二权重从起始权重变化到所述第一权重，所述起始权重小于所述第一权重；
在对所述识别网络进行所述第三训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第三权重的第三损失。
在一种可能的实现方式中，所述训练模块，还用于：
将所述第五样本图像进行格式转换得到第七样本图像；
将所述第七样本图像与所述第六样本图像输入所述识别网络，得到针对所述第五样本图像的第一识别结果；
根据所述第五样本图像的第一识别结果，对所述第二训练后的所述识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行第三训练之前，所述训练模块还用于：
将所述第五样本图像与所述第六样本图像输入所述识别网络，得到所述第五样本图像的第二识别结果；
根据所述第五样本图像的第二识别结果，对所述第二训练后的所述识别网络进行第四训练。
在一种可能的实现方式中，在对所述识别网络进行所述第四训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第四权重的第四损失项，所述装置还包括：
调整模块，用于在根据所述第四权重的第四损失项确定识别网络的损失的情况下，对所述第四权重进行调整，和/或对所述第四损失项进行相似性约束和/或区分性约束。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
这样，可以采集目标对象对应的待识别图像，并获取所述待识别图像的图像格式及所述参考图像的图像格式，根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。根据本公开实施例提供的图像识别方法及装置、电子设备和存储介质，不仅可以适配不同图像格式的图像进行身份识别，并且可以提高识别的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的图像识别方法的流程图；
图2示出根据本公开实施例的图像识别方法的示意图；
图3示出根据本公开实施例的图像识别装置的框图；
图4示出根据本公开实施例的一种电子设备800的框图；
图5示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种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。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
图1示出根据本公开实施例的图像识别方法的流程图，所述图像识别方法可以由终端设备或服务器等电子设备执行，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等，所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者，可通过服务器执行所述方法。
如图1所示，所述图像识别方法可以包括：
在步骤S11中，采集目标对象对应的待识别图像。
举例来说，可以通过图像采集模组采集待识别图像，得到待识别图像，以根据该待识别图像对目标对象进行身份识别。示例性的，图像采集模组可以包括色彩模组和红外模组等模组中的任一项，色彩模组可以为用于采集色彩格式图像的模组，例如：色彩模组可以包括细节成像丰富，通用性强的RGB模组、YUV模组等模组，色彩图像格式可以包括RGB(red/green/blue，红/绿/蓝)格式，YUV格式等。红外模组可以为用于采集红外格式图像的模组，其中红外格式可以包括夜间成像效果较好的IR(Infrared Spectroscopy，红外光谱)格式等。
在步骤S12中，获取所述待识别图像的图像格式及所述参考图像的图像格式。
举例来说，参考图像可以预存储的图像，其可以为通过色彩模组或者红外模组采集的图像。在参考图像与待识别图像采用相同图像采集模组采集得到时，参考图像的图像格式与待识别图像的图像格式相同；或者，在参考图像与待识别图像采用不同图像采集模组采集得到时，参考图像的图像格式与待识别图像的图像格式不同。
在步骤S13中，根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
可以确定待识别图像的图像格式与参考图像的图像格式是否相同，当待识别图像与参考图像的图像格式相同时，可以直接提取待识别图像及参考图像的特征进行特征比对，得到针对目标对象的识别结果；当待识别图像与参考图像的图像格式不同时，可以对其中任一图像进行图像转换，将其转换为与另一图像相同的图像格式后，进行特征提取和特征比对，得到针对目标对象的识别结果。
这样，可以采集目标对象对应的待识别图像，并获取所述待识别图像的图像格式及所述参考图像的图像格式，根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。根据本公开实施例提供的图像识别方法，不仅可以适配不同图像格式的图像进行身份识别，并且可以提高识别的精度。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的格式不同，所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，可以包括：
将所述待识别图像及所述参考图像中图像格式为第一格式的图像，确定为第一图像，及将所述待识别图像及所述参考图像中图像格式为第二格式的图像，确定为第二图像；
将所述第一图像进行格式转换得到第三图像；
将所述第三图像与所述第二图像进行特征比对，得到针对所述目标对象的识别结果。
可以将第一格式的图像确定为第一图像，将第二格式的图像确定第二图像，并将第一图像进行格式转换，转换为第三图像后，对第三图像进行特征提取，并根据提取的第三图像的特征与第二图像的特征进行特征比对，得到目标对象的识别结果。
举例来说，待识别图像可以为色彩模组采集的RGB格式或者YUV格式的图像，参考图像可以为红外模组采集的IR图像，此时，待识别图像为第一格式的图像，参考图像为第二格式的图像。或者待识别图像可以为红外模组采集的IR格式的图像，参考图像可以为色彩模组采集的RGB格式或者YUV格式的图像，此时，待识别图像为第二格式的图像，参考图像为第一格式的图像。此时，第三图像可以为灰度图像，由于红外格式的图像本身也是一种灰度图像，这样可以提高特征比对的精度，进而提高目标对象的识别精度。
举例来说，待识别图像可以为真人图像，参考图像可以为漫画图像，此时，待识别图像为第一格式的图像，参考图像为第二格式的图像。此时，第三图像可以为线条图像，由于漫画图像本身也是一种线条图像，故可以提高特征比对的精度，进而提高目标对象的识别精度。
示例性的，参照图2，对于人脸解锁场景来说，需要24小时均能提供良好的比对能力，因此通常需要色彩模组和红外模组共同配合，假设待识别图像为该场景下白天采集的RGB格式的第一图像，参考图像为夜晚采集的IR格式的第二图像，则可以将RGB格式的图像转换为灰度格式的第三图像后，对该第三图像进行特征提取，及对参考图像进行特征提取，并对提取的特征进行相似度计算，以根据计算结果确定目标对象的识别结果。
需要说明的是，上述待识别图像为RGB图像，参考图像为IR图像仅作为本公开实施例的一种示例，而不作为对本公开实施例的一种限定，实际上，待识别图像为IR图像，参考头像为RGB图像、待识别图像为YUV图像，参考头像为IR图像、待识别图像为IR图像，参考头像为YUV图像、待识别图像为真人图像，参考图像为漫画图像等均可以，本公开实施例对此不作限定。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的图像格式相同；所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，可以包括：
将所述待识别图像与所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
举例来说，待识别图像与参考图像均可以为色彩模组采集的RGB格式或者YUV格式的第一图像，或者待识别图像与参考图像均可以为红外模组采集的IR格式的第二图像。则可以直接对待识别图像及参考图像进行特征提取，对提取的特征进行相似度计算，以得到针对目标对象的识别结果。
在一种可能的实现方式中，通过识别网络实现所述根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果；所述方法还包括：根据预设的训练集训练所述识别网络，所述训练集包括多个第一样本组、多个第二样本组、及多个第三样本组，
其中，所述第一样本组中包括第一格式的第一样本图像及第一格式的第二样本图像，及所述第一样本图像的标注信息；所述第二样本组中包括第二格式的第三样本图像及第二格式的第四样本图像，及所述第三样本图像的标注信息；所述第三样本组中包括第一格式的第五样本图像及第二格式的第六样本图像，及所述第五样本图像的标注信息。
举例来说，可以预训练根据待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对的识别网络，将待识别图像及参考图像作为识别网络的输入，可以得到针对目标对象的识别结果。
识别网络可以通过预设的训练集进行训练，该预设的训练集包括三种类别的样本组，即样本图像全部为第一格式的第一样本组、样本图像全部为第二格式的第二样本组、及样本图像包括第一格式和第二格式的第三样本组。
通过该三种类别的样本组训练得到的识别网络，可以适配于多种图像格式，避免了训练多个模型识别不同图像格式的图像对时间和资源的占用，并可以提高了在图像格式不同时，对于目标对象的识别精度。
在一种可能的实现方式中，所述根据预设的训练集训练所述识别网络，可以包括：
根据所述多个第一样本组，对所述识别网络进行第一训练；
将所述多个第一样本组与所述多个第二样本组组成第一样本集，根据所述第一样本集对所述识别网络进行第二训练；
在所述第一样本集中加入多个第三样本组，得到第二样本集，根据所述第二样本集对所述第二训练后的识别网络进行第三训练。
举例来说，可以根据多个第一样本组对识别网络进行第一训练，在训练得到的网络损失满足阈值时，识别网络完成第一训练。并将多个第一样本组与多个第二样本组组成第一样本集，通过该第一样本集对经过第一训练的识别网络进行第二训练，即通过多个第一样本组与多个第二样本组训练该识别网络，在训练得到的网络损失满足阈值时，识别网络完成第二训练。向第一样本集中添加第三样本组，以得到第二样本集，通过第二样本集对经过第二训练的识别网络进行第三训练，即通过多个第一样本组、多个第二样本组与多个第三样本组训练识别网络，在训练得到的网络损失满足阈值时，识别网络完成第三训练。
在一种可能的实现方式中，在对所述识别网络进行所述第一训练的情况下，所述识别网络对应的损失函数包括第一权重的第一损失项；
在对所述识别网络进行所述第二训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项，所述第二权重从起始权重变化到所述第一权重，所述起始权重小于所述第一权重；
在对所述识别网络进行所述第三训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第三权重的第三损失。
在对识别网络进行第一训练时，识别网络的损失函数包括第一权重的第一损失项，第一损失项用于根据针对第一样本组的识别结果确定识别网络的第一识别损失，该第一识别损失对应第一权重。在对识别网络进行第二训练时，识别网络的损失函数包括第一权重的第一损失项和第二权重的第二损失项，由于第二训练过程中，训练样本包括第一样本组和第二样本组，第二损失项用于根据针对第二样本组的识别结果确定识别网络的第二识别损失，该第二识别损失对应第二权重。在对识别网络进行第三训练时，识别网络的损失函数包括第一权重的第一损失项和第二权重的第二损失项和第三权重的第三损失项，由于第二训练过程中，训练样本包括第一样本组、第二样本组和第三样本组，第三损失项用于根据针对第三样本组的识别结果确定识别网络的第三识别损失，该第三识别损失对应第三权重。
举例来说，可以根据多个第一样本组，对第一识别网络进行第一训练。示例性的，可以将第一样本组中的第一样本图像及第二样本图像输入识别网络，得到对应的识别结果(识别通过或者未通过，及第一样本图像与第二样本图像的相似度或者第一样本图像与第二样本图像对应同一个人的概率值和第一样本图像与第二样本图像对应不同人的概率值)，根据该识别结果及第一样本图像的标注信息(对应同一个的阈值信息及对应不同人的阈值信息)确定识别网络的第一识别损失(本公开实施例对于确定识别损失的方式不作限定，例如可以采用基于分类的交叉熵损失函数或者基于度量的区分性损失函数)，进而根据该第一识别损失及第一权重确定识别网络的识别损失，根据该识别损失调整识别网络的网络参数，直至识别网络的识别损失达到损失阈值，此时训练的识别网络不仅对于第一格式的图像具有较好的识别效果，由于第一格式的图像具有较为丰富的特征信息，故训练得到的识别网络，对于其他格式的图像也具有一定的识别效果。
引入第二样本组，将所述第一样本组与第二样本组组成第一样本集，根据该第一样本集继续训练识别网络。示例性的，可以逐渐向第一样本集中引入第二样本组，直至第一样本集中第二样本组的数量与第一样本组数量相同。
具体地，可以将第二样本组中的第三样本图像及第四样本图像输入识别网络，得到对应的识别结果(识别通过或者未通过，及第三样本图像与第四样本图像的相似度或者第三样本图像与第四样本图像对应同一个人的概率值和第三样本图像与第四样本图像对应不同人的概率值)，根据该识别结果及第三样本图像的标注信息(对应同一个的阈值信息及对应不同人的阈值信息)，确定识别网络的第二识别损失，进而第一样本组训练识别网络时对应的第一识别损失及第一权重、和第二样本组训练识别网络时对应的第二识别损失及第二权重，确定识别网络的识别损失，并根据该识别损失调整识别网络的网络参数，直至识别网络的识别损失达到损失阈值。
举例来说，在根据第一样本集训练识别网络的过程中，识别网络的识别损失中第一损失项对应第一权重，第二损失项对应第二权重。在训练的过程中，可以采用第一权重调整方式调整权重，以使得根据第二第二识别损失对应的权重从0开始，慢慢增加，直至达到与第一权重相同，例如，第一权重为1，则第二权重可以从0开始慢慢增加到1，这样可以进一步提高识别网络的精度。
继续在第一样本集中引入第三样本组，得到第二样本集，根据第二样本集继续训练识别网络，此时识别网络的识别损失包括第一权重的第一损失项、第二权重的第二损失项及采用第三样本组训练识别网络时的第三权重的第三损失项。
在一种可能的实现方式中，根据所述第二样本集对所述第二训练后的识别网络进行第三训练，可以包括：
将所述第五样本图像进行格式转换得到第七样本图像；
将所述第七样本图像与所述第六样本图像输入所述识别网络，得到针对所述第五样本图像的第一识别结果；
根据所述第五样本图像的第一识别结果对所述第二训练的所述识别网络进行第三训练。
举例来说，由于第五样本图像与第六样本图像的图像格式不同，且第五样本图像的图像格式为第一格式，因此可以将第五样本图像转换为对应的第七样本图像，并将第七样本图像及第六样本图像输入识别网络中，以根据第七样本图像与第六样本图像进行特征比对，得到对应的识别结果(识别通过或者未通过，及第五样本图像与第六样本图像的相似度或者第五样本图像与第六样本图像对应同一个人的概率值和第五样本图像与第六样本图像对应不同人的概率值)。根据该识别结果与第五样本图像的标注信息确定识别网络的第三识别损失，进而根据第一识别损失及第一权重、第二识别损失及第二权重、及第三识别损失及第三权重，得到识别网络的识别损失，进而可以根据该识别损失调整识别网络的网络参数，直至识别网络的识别损失达到损失阈值。
这样训练得到的识别网络，可以适配于多种图像格式，并且对于不同图像格式的图像进行比对时，通过第三图像作为桥接图，可以提高特征比对的精度，进而提高目标对象的识别精度。在一种可能的实现方式中，在对所述识别网络进行第三训练之前，所述方法还可以包括：
将所述第五样本图像与所述第六样本图像输入所述识别网络，得到所述第五样本图像的第二识别结果；
根据所述第五样本图像的第二识别结果，及所述第五样本图像，对所述第二训练后的所述识别网络进行第四训练。
举例来说，在根据第二样本集训练所述识别网络时，可以先根据第五样本图像及第六样本图像直接训练该识别网络(示例性的，可以将第三样本组中的第五样本图像及第六样本图像输入识别网络，得到对应的第二识别结果，根据该第二识别结果，确定识别网络的第四识别损失，进而根据由第一识别损失、第二识别损失及第四识别损失得到的识别损失调整识别网络的网络参数，直至识别网络的识别损失达到损失阈值)，在完成训练后，再将第五样本图像转换为第七样本图像后，根据第七样本图像及第六样本图像训练该识别网络(训练过程可以参照前述过程，本公开实施例在此不再赘述)。
在一种可能的实现方式中，在对所述识别网络进行所述第四训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第四权重的第四损失项，所述方法还包括：
在根据所述第四权重的第四损失项确定识别网络的损失的情况下，对所述第四权重进行调整，和/或对所述第四损失项进行相似性约束和/或区分性约束。
举例来说，在采用第二样本集训练所述识别网络时，可以增加第四识别损失项的第四权重，例如：识别损失中第一损失项的第一权重与第二损失项的第二权重均为1，则可以增加第四损失项的第四权重为2。
和/或，还可以增加所述第四损失项的相似性约束和/或区分性约束，其中相似性约束为在通过识别结果进行识别损失的计算时，可以将该识别结果中为同一个人的概率值降低，例如：识别结果中第五样本图像与第六样本图像对应同一个人的概率值为0.8时，在根据该概率及第四损失项计算第四识别损失时，可以将该概率值降低至0.7，以增加识别同一个人的难度，进而调高识别网络的识别精度。或者，可以将用于识别同一个人的阈值调高，例如：识别结果中第五样本图像与第六样本图像对应同一个人的概率值大于阈值0.8时，可以确定该两张样本图像对应同一个人，则在根据概率值及第四损失项计算第四识别损失时，可以将该阈值提高到0.9，以增加识别同一个人的难度，进而调高识别网络的识别精度。
其中，区分性约束为通过识别结果进行识别损失的计算时，可以将该识别结果中对应不同人的概率值增加，例如：识别结果中第五样本图像与第六样本图像对应不同人的概率值为0.2时，在根据该概率及第四损失项计算第四识别损失时，可以将该概率值增加至0.3，以增加识别不同人的难度，进而调高识别网络的识别精度。或者，可以将用于识别不同人的阈值降低，例如：识别结果中第五样本图像与第六样本图像对应不同一个人的概率值小于阈值0.2时，可以确定该两张样本图像对应不同人，则在根据概率值及第四损失项计算第四识别损失时，可以将该阈值降低到0.1，以增加识别不同人的难度，进而调高识别网络的识别精度。
这样可以这样在不影响针对同种图像格式的图像进行比对时的精度的情况下，可以提高对于不同图像格式的图像进行比对时的精度，进而提高身份识别精度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了图像识别装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种图像识别方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图3示出根据本公开实施例的图像识别装置的框图，如图3所示，所述图像识别装置包括：
采集模块31，可以用于采集目标对象对应的待识别图像；
获取模块32，可以用于获取所述待识别图像的图像格式及参考图像的图像格式；
比对模块33，可以用于根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
这样，可以采集目标对象对应的待识别图像，并获取所述待识别图像的图像格式及所述参考图像的图像格式，根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。根据本公开实施例提供的图像识别装置，不仅可以适配不同图像格式的图像进行身份识别，并且可以提高识别的精度。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的格式不同；所述比对模块，还可以用于：
将所述待识别图像及所述参考图像中图像格式为第一格式的图像，确定为第一图像，及将所述待识别图像及所述参考图像中图像格式为第二格式的图像，确定为第二图像；
将所述第一图像进行格式转换为得到第三图像；
将所述第三图像与所述第二图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，所述待识别图像的图像格式与所述参考图像的图像格式相同；所述比对模块，还可以用于：
将所述待识别图像与所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
在一种可能的实现方式中，通过识别网络实现所述根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果；所述装置还可以包括：
训练模块，可以用于根据预设的训练集训练所述识别网络，所述训练集包括多个第一样本组、多个第二样本组、及多个第三样本组，
其中，所述第一样本组中包括第一格式的第一样本图像及第一格式的第二样本图像，及所述第一样本图像的标注信息；所述第二样本组中包括第二格式的第三样本图像及第二格式的第四样本图像，及所述第三样本图像的标注信息；所述第三样本组中包括第一格式的第五样本图像及第二格式的第六样本图像，及所述第五样本图像的标注信息。
在一种可能的实现方式中，所述训练模块，还可以用于：
根据所述多个第一样本组对所述识别网络进行第一训练；
将所述多个第一样本组与所述多个第二样本组组成第一样本集，根据所述第一样本集对所述第一训练后的识别网络进行第二训练；
在所述第一样本集中加入多个第三样本组，得到第二样本集，根据所述第二样本集对所述第二训练后的识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行所述第一训练的情况下，所述识别网络对应的损失函数包括第一权重的第一损失项；
在对所述识别网络进行所述第二训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项，所述第二权重从起始权重变化到所述第一权重，所述起始权重小于所述第一权重；
在对所述识别网络进行所述第三训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第三权重的第三损失。
在一种可能的实现方式中，所述训练模块，还用于：
将所述第五样本图像进行格式转换得到第七样本图像；
将所述第七样本图像与所述第六样本图像输入所述识别网络，得到针对所述第五样本图像的第一识别结果；
根据所述第五样本图像的第一识别结果，对所述第二训练后的所述识别网络进行第三训练。
在一种可能的实现方式中，在对所述识别网络进行第三训练之前，所述训练模块还可以用于：
将所述第五样本图像与所述第六样本图像输入所述识别网络，得到所述第五样本图像的第二识别结果；
根据所述第五样本图像的第二识别结果，对所述第二训练后的所述识别网络进行第四训练。
在一种可能的实现方式中，在对所述识别网络进行所述第四训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第四权重的第四损失项，所述装置还可以包括：
调整模块，用于在根据所述第四权重的第四损失项确定识别网络的损失的情况下，对所述第四权重进行调整，和/或对所述第四损失项进行相似性约束和/或区分性约束。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的图像识别方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的图像识别方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种图像识别方法，其特征在于，包括：
采集目标对象对应的待识别图像；
获取所述待识别图像的图像格式及参考图像的图像格式；
根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
2.根据权利要求1所述的方法，其特征在于，所述待识别图像的图像格式与所述参考图像的格式不同；所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，包括：
将所述待识别图像及所述参考图像中图像格式为第一格式的图像，确定为第一图像，及将所述待识别图像及所述参考图像中图像格式为第二格式的图像，确定为第二图像；
将所述第一图像进行格式转换为得到第三图像；
将所述第三图像与所述第二图像进行特征比对，得到针对所述目标对象的识别结果。
3.根据权利要求2所述的方法，其特征在于，所述待识别图像的图像格式与所述参考图像的图像格式相同；所述根据所述待识别图像的图像格式及参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果，包括：
将所述待识别图像与所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
4.根据权利要求1至3中任一项所述的方法，其特征在于，通过识别网络实现所述根据所述待识别图像的图像格式及参考图像的图像格式，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果；所述方法还包括：
根据预设的训练集训练所述识别网络，所述训练集包括多个第一样本组、多个第二样本组、及多个第三样本组，
其中，所述第一样本组中包括第一格式的第一样本图像及第一格式的第二样本图像，及所述第一样本图像的标注信息；所述第二样本组中包括第二格式的第三样本图像及第二格式的第四样本图像，及所述第三样本图像的标注信息；所述第三样本组中包括第一格式的第五样本图像及第二格式的第六样本图像，及所述第五样本图像的标注信息。
5.根据权利要求4所述的方法，其特征在于，所述根据预设的训练集训练所述识别网络，包括：
根据所述多个第一样本组对所述识别网络进行第一训练；
将所述多个第一样本组与所述多个第二样本组组成第一样本集，根据所述第一样本集对所述第一训练后的识别网络进行第二训练；
在所述第一样本集中加入多个第三样本组，得到第二样本集，根据所述第二样本集对所述第二训练后的识别网络进行第三训练。
6.根据权利要求5所述的方法，其特征在于，在对所述识别网络进行所述第一训练的情况下，所述识别网络对应的损失函数包括第一权重的第一损失项；
在对所述识别网络进行所述第二训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和第二权重的第二损失项，所述第二权重从起始权重变化到所述第一权重，所述起始权重小于所述第一权重；
在对所述识别网络进行所述第三训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第三权重的第三损失。
7.根据权利要求6所述的方法，其特征在于，根据所述第二样本集对所述第二训练后的识别网络进行第三训练，包括：
将所述第五样本图像进行格式转换得到第七样本图像；
将所述第七样本图像与所述第六样本图像输入所述识别网络，得到针对所述第五样本图像的第一识别结果；
根据所述第五样本图像的第一识别结果，对所述第二训练后的所述识别网络进行第三训练。
8.根据权利要求7所述的方法，其特征在于，在对所述识别网络进行第三训练之前，所述方法还包括：
将所述第五样本图像与所述第六样本图像输入所述识别网络，得到所述第五样本图像的第二识别结果；
根据所述第五样本图像的第二识别结果，对所述第二训练后的所述识别网络进行第四训练。
9.根据权利要求8所述的方法，其特征在于，在对所述识别网络进行所述第四训练的情况下，所述识别网络对应的损失函数包括所述第一权重的第一损失项和所述第二权重的第二损失项和第四权重的第四损失项，所述方法还包括：
在根据所述第四权重的第四损失项确定识别网络的损失的情况下，对所述第四权重进行调整，和/或对所述第四损失项进行相似性约束和/或区分性约束。
10.一种图像识别装置，其特征在于，包括：
采集模块，用于采集目标对象对应的待识别图像；
获取模块，用于获取所述待识别图像的图像格式及参考图像的图像格式；
比对模块，用于根据所述待识别图像的图像格式及所述参考图像的图像格式的对比结果，对所述待识别图像及所述参考图像进行特征比对，得到针对所述目标对象的识别结果。
11.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
CN202010598146.6A 2020-06-28 2020-06-28 图像识别方法及装置、电子设备和存储介质 Pending CN111753753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010598146.6A CN111753753A (zh) 2020-06-28 2020-06-28 图像识别方法及装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010598146.6A CN111753753A (zh) 2020-06-28 2020-06-28 图像识别方法及装置、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN111753753A true CN111753753A (zh) 2020-10-09

Family

ID=72677551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010598146.6A Pending CN111753753A (zh) 2020-06-28 2020-06-28 图像识别方法及装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN111753753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560978A (zh) * 2020-12-23 2021-03-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170308770A1 (en) * 2016-04-26 2017-10-26 Xerox Corporation End-to-end saliency mapping via probability distribution prediction
CN108694709A (zh) * 2017-04-12 2018-10-23 深圳市朗驰欣创科技股份有限公司 一种图像融合方法及装置
CN109272044A (zh) * 2018-09-19 2019-01-25 郑州云海信息技术有限公司 一种图像相似度确定方法、装置、设备及存储介质
CN109934275A (zh) * 2019-03-05 2019-06-25 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110009003A (zh) * 2019-03-14 2019-07-12 北京旷视科技有限公司 图像处理与图像比对模型的训练方法、装置和系统
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN110263621A (zh) * 2019-05-06 2019-09-20 北京迈格威科技有限公司 图像识别方法、装置及可读存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170308770A1 (en) * 2016-04-26 2017-10-26 Xerox Corporation End-to-end saliency mapping via probability distribution prediction
CN108694709A (zh) * 2017-04-12 2018-10-23 深圳市朗驰欣创科技股份有限公司 一种图像融合方法及装置
CN109272044A (zh) * 2018-09-19 2019-01-25 郑州云海信息技术有限公司 一种图像相似度确定方法、装置、设备及存储介质
CN109934275A (zh) * 2019-03-05 2019-06-25 深圳市商汤科技有限公司 图像处理方法及装置、电子设备和存储介质
CN110009003A (zh) * 2019-03-14 2019-07-12 北京旷视科技有限公司 图像处理与图像比对模型的训练方法、装置和系统
CN110046551A (zh) * 2019-03-18 2019-07-23 中国科学院深圳先进技术研究院 一种人脸识别模型的生成方法及设备
CN110263621A (zh) * 2019-05-06 2019-09-20 北京迈格威科技有限公司 图像识别方法、装置及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560978A (zh) * 2020-12-23 2021-03-26 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备及存储介质
CN112560978B (zh) * 2020-12-23 2023-09-12 北京市商汤科技开发有限公司 图像处理方法及装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
US20220004742A1 (en) Method for face recognition, electronic equipment, and storage medium
CN112001321B (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
CN107944447B (zh) 图像分类方法及装置
CN107692997B (zh) 心率检测方法及装置
US10452890B2 (en) Fingerprint template input method, device and medium
WO2021031609A1 (zh) 活体检测方法及装置、电子设备和存储介质
CN109934275B (zh) 图像处理方法及装置、电子设备和存储介质
CN111553864B (zh) 图像修复方法及装置、电子设备和存储介质
CN110569777B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287671B (zh) 验证方法及装置、电子设备和存储介质
CN110532957B (zh) 人脸识别方法及装置、电子设备和存储介质
CN110990801B (zh) 信息校验方法及装置、电子设备和存储介质
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN107944367B (zh) 人脸关键点检测方法及装置
CN111435432B (zh) 网络优化方法及装置、图像处理方法及装置、存储介质
CN111523346B (zh) 图像识别方法及装置、电子设备和存储介质
EP3098765A1 (en) Method and apparatus for recommending cloud card
CN109685041B (zh) 图像分析方法及装置、电子设备和存储介质
CN111242303A (zh) 网络训练方法及装置、图像处理方法及装置
CN112927122A (zh) 水印去除方法、装置及存储介质
CN114332503A (zh) 对象重识别方法及装置、电子设备和存储介质
CN112270288A (zh) 活体识别、门禁设备控制方法和装置、电子设备
CN110909203A (zh) 视频分析方法及装置、电子设备和存储介质
CN113920465A (zh) 片尾识别方法、装置、电子设备及存储介质
WO2023040202A1 (zh) 人脸识别方法及装置、电子设备和存储介质

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