CN112149740A - 目标重识别方法、装置、存储介质及设备 - Google Patents

目标重识别方法、装置、存储介质及设备 Download PDF

Info

Publication number
CN112149740A
CN112149740A CN202011022834.4A CN202011022834A CN112149740A CN 112149740 A CN112149740 A CN 112149740A CN 202011022834 A CN202011022834 A CN 202011022834A CN 112149740 A CN112149740 A CN 112149740A
Authority
CN
China
Prior art keywords
picture
picture set
candidate
pictures
determining
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
CN202011022834.4A
Other languages
English (en)
Other versions
CN112149740B (zh
Inventor
纪德益
甘伟豪
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.)
Shanghai Sensetime Intelligent Technology Co Ltd
Original Assignee
Shanghai Sensetime Intelligent 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 Shanghai Sensetime Intelligent Technology Co Ltd filed Critical Shanghai Sensetime Intelligent Technology Co Ltd
Priority to CN202011022834.4A priority Critical patent/CN112149740B/zh
Priority to KR1020227002689A priority patent/KR20220042356A/ko
Priority to JP2021574956A priority patent/JP2022552761A/ja
Priority to PCT/CN2020/140303 priority patent/WO2022062243A1/zh
Publication of CN112149740A publication Critical patent/CN112149740A/zh
Priority to TW110112618A priority patent/TWI769775B/zh
Application granted granted Critical
Publication of CN112149740B publication Critical patent/CN112149740B/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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开涉及目标重识别方法、装置、存储介质及设备，该方法包括通过两次图片删选，包括：对目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合初步从待处理图片集合中确定出候选图片集合，其中，候选图片集合中的任两张图片之间的相似值大于等于预设相似值。以及基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出与目标对象图片中目标对象较相似的目标图片集合。这样可以从待处理图片集合中确定出更准确的正样本，以及减少负样本的干扰，得到目标图片集合，从而使得后续基于目标图片集合中的图片的属性信息对其包含的对象进行轨迹行为分析的结果准确性得到提高。

Description

目标重识别方法、装置、存储介质及设备
技术领域
本公开涉及计算机技术领域，尤其涉及一种目标重识别方法、装置、存储介质及设备。
背景技术
目标重识别是计算机视觉以及智能视频监控领域的重要问题，其目的是确定同一目标在相同或者不同摄像头下出现的位置。随着城市化进程推进和市区摄像头的不断增多，目标重识别问题在很多领域都有着重要实际应用，如行人行走行为分析，跨摄像头的行人和车辆跟踪，以及行人车辆的异常行为的检测等等。然而在实际应用中，可能会受场景中其他的行人所干扰，以及行人和行人之间可能存在极度相似的表观特征等因素，而这些因素都将对目标重识别过程造成不良影响。
发明内容
本公开提出了一种目标重识别技术方案。
根据本公开的一方面，提供了一种目标重识别方法，其包括：获取目标对象图片和待处理图片集合；目标对象图片中包含目标对象；根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合；候选图片集合中的任两张图片之间的相似值大于等于预设相似值；基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合；目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值；候选图片集合包括目标图片集合和非目标图片。
在一些可能的实施方式中，上述图关联识别网络包括第一图结构建立子网络、图关联更新子网络以及分类器；第一图结构建立子网络、图关联更新子网络以及分类器串行连接；基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合，包括：将第一特征值和第二特征值集合输入第一图结构建立子网络，得到第一图结构；第一图结构包含有节点和用于连接两个节点的边；节点的数量和候选图片集合中的图片的数量相同；连接两个节点的边是基于连接的两个节点之间的相似度和预设的相似度确定的；将第一图结构输入图关联更新子网络，得到更新优化后的第二图结构；通过分类器根据第二图结构确定出候选图片集合中每张图片对应的第一相似程度值；基于每张候选图片对应的第一相似程度值与相似程度阈值确定出目标图片集合。相较于常规的卷积神经网络，通过图卷积神经网络可以更好的对不规则的图数据进行独有的节点分类，边预测，用途更广泛。
在一些可能的实施方式中，通过分类器根据第二图结构确定出候选图片集合中每张图片对应的第一相似程度值，包括：将第一图结构和第二图结构相加融合，得到第三图结构；通过分类器根据第三图结构确定出候选图片集合中每张图片对应的第一相似程度值。通过将原始的第一图结构和第二图结构相加融合，可以减少优化过程中因为参数不可控和不稳定导致的不利因素出现对整个图结构造成的影响。
在一些可能的实施方式中，上述图关联更新子网络包括注意力机制层，多个图卷积层、多个激活层和多个全连接层；注意力机制层、多个图卷积层、多个激活层和多个全连接层串行连接；将第一图结构输入图关联更新子网络，得到更新优化后的第二图结构，包括：将第一图结构输入注意力机制层，得到第一图结构中每个节点的权重向量；将每个节点的权重向量和第一图结构确定为注意力机制层的下一层的输入；将多个图卷积层、多个激活层和多个全连接层中的任一当前处理的层确定为当前层；将当前层的上一层的输出当作当前层的输入，进行计算处理后得到当前层的输出；在任一当前层存在对应的输出的情况下，根据图关联更新子网络中最后一层的输出得到更新优化后的第二图结构。通过调整图关联更新子网络各个层的数量和位置关系，可以实现针对各种应用场景灵活地搭建网络架构，得到更符合需求的第二图结构。
在一些可能的实施方式中，根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合，包括：基于特征编码提取网络确定目标对象图片包含的目标对象的第一特征值，基于特征编码提取网络确定待处理图片集合中的每张图片包含的对象的第二特征值，基于第二特征值和第一特征值确定出每张图片对应的第二相似程度值，根据第二相似程度值从待处理图片集合中确定出候选图片集合。通过特征值之间的相似度可以初步精准的从候选图片集合中确定出候选图片集合，为后续的图片处理做铺垫。
在一些可能的实施方式中，根据第二相似程度值从待处理图片集合中确定出候选图片集合，包括：将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N位的第二相似程度值对应的图片得到候选图片集合。通过对第二相似程度值的排序，可以和选出预设的N张图片这个步骤对应起来，增加实现方案的多样性。
在一些可能的实施方式中，根据第二相似程度值从待处理图片集合中确定出候选图片集合，包括：将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N1位的第二相似程度值对应的图片将待处理图片集合分为第一候选图片集合和非第一候选图片集合，其中，第一候选图片集合包含排在前N1位的第二相似程度值对应的图片，根据第一候选图片集合中的图片的第二特征值和非第一候选图片集合中的图片的第二特征值从非第一候选图片集合中确定出N2张图片，组成第二候选图片集合，基于第一候选图片集合和第二候选图片集合确定候选图片集合。相较于一次选择确定候选图片集合，本实施方式通过二次搜索逐步确定候选图片集合，可以使得更多的困难正样本图片进入候选图片集合，为后续图片识别准确性的提高做好铺垫，同时也增加了实现方案的多样性。
在一些可能的实施方式中，根据第一候选图片集合中的图片的第二特征值和非第一候选图片集合中的图片的第二特征值从非第一候选图片集合中确定出N2张图片，组成第二候选图片集合，包括：将第一候选图片集合中的任一当前使用的图片确认为当前图片：根据当前图片的第二特征值和非第一候选图片集合中的图片的第二特征值确定出非第一候选图片集合中的每张图片对应的第三相似程度值，根据每张图片对应的第三相似程度值从非第一候选图片集合确定出当前图片对应的第三候选图片集合，在每张当前图片都存在对应的第三候选图片集合的情况下，根据每张当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。具体介绍在第一候选图片集合中图片的基础上进行二次搜索，使得第一候选图片集合中的图片作为过渡图片，进而可以得到更多的正样本图片来确定候选图片集合，为后续图片识别准确性的提高打下基础。
在一些可能的实施方式中，从候选图片集合中确定出目标图片集合之后，还包括：确定目标图片集合中的图片的属性信息；根据属性信息对目标图片集合中的图片包含的对象进行轨迹行为分析。通过属性信息，可以将目标图片集合中的图片应用在实际场景中。
在一些可能的实施方式中，属性信息包括图片获取位置和图片获取时间，根据属性信息对目标图片集合中的图片包含的对象进行轨迹行为分析，包括：根据图片获取时间对目标图片集合中的图片进行排序，基于图片获取位置和排序后的图片对图片包含的对象进行运动轨迹确定和行为推测。限定如何通过包含的属性信息对对象进行轨迹行为分析，使得得到的目标图片集合能够应用到具体的场景中，解决生活中的实际问题。
根据本公开的第二方面，提供了一种目标重识别装置，包括：图片获取模块，用于获取目标对象图片和待处理图片集合；目标对象图片中包含目标对象；候选图片确定模块，用于根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合；候选图片集合中的任两张图片之间的相似值大于等于预设相似值；目标图片确定模块，用于基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合；目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值；候选图片集合包括目标图片集合和非目标图片。
在一些可能的实施方式中，上述图关联识别网络包括第一图结构建立子网络、图关联更新子网络以及分类器；第一图结构建立子网络、图关联更新子网络以及分类器串行连接，目标图片确定模块用于将第一特征值和第二特征值集合输入第一图结构建立子网络，得到第一图结构；第一图结构包含有节点和用于连接两个节点的边；节点的数量和候选图片集合中的图片的数量相同；连接两个节点的边是基于连接的两个节点之间的相似度和预设的相似度确定的；将第一图结构输入图关联更新子网络，得到更新优化后的第二图结构；通过分类器根据第二图结构确定出候选图片集合中每张图片对应的第一相似程度值；基于每张候选图片对应的第一相似程度值与相似程度阈值确定出目标图片集合。
在一些可能的实施方式中，目标图片确定模块用于将第一图结构和第二图结构相加融合，得到第三图结构；通过分类器根据第三图结构确定出候选图片集合中每张图片对应的第一相似程度值。
在一些可能的实施方式中，上述图关联更新子网络包括注意力机制层、多个图卷积层、多个激活层和多个全连接层，注意力机制层、多个图卷积层、多个激活层和多个全连接层串行连接，目标图片确定模块用于将第一图结构输入注意力机制层，得到第一图结构中每个节点的权重向量；将每个节点的权重向量和第一图结构确定为注意力机制层的下一层的输入；将多个图卷积层、多个激活层和多个全连接层中的任一当前处理的层确定为当前层；将当前层的上一层的输出当作当前层的输入，进行计算处理后得到当前层的输出；在任一当前层存在对应的输出的情况下，根据图关联更新子网络中最后一层的输出得到更新优化后的第二图结构。
在一些可能的实施方式中，候选图片确定模块用于基于特征编码提取网络确定目标对象图片包含的目标对象的第一特征值，基于特征编码提取网络确定待处理图片集合中的每张图片包含的对象的第二特征值，基于第二特征值和第一特征值确定出每张图片对应的第二相似程度值，根据第二相似程度值从待处理图片集合中确定出候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N位的第二相似程度值对应的图片得到候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N1位的第二相似程度值对应的图片将待处理图片集合分为第一候选图片集合和非第一候选图片集合，其中，第一候选图片集合包含排在前N1位的第二相似程度值对应的图片，根据第一候选图片集合中的图片的第二特征值和非第一候选图片集合中的图片的第二特征值从非第一候选图片集合中确定出N2张图片，组成第二候选图片集合，基于第一候选图片集合和第二候选图片集合确定候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将第一候选图片集合中的任一当前使用的图片确认为当前图片：根据当前图片的第二特征值和非第一候选图片集合中的图片的第二特征值确定出非第一候选图片集合中的每张图片对应的第三相似程度值，根据每张图片对应的第三相似程度值从非第一候选图片集合确定出当前图片对应的第三候选图片集合，在每张当前图片都存在对应的第三候选图片集合的情况下，根据每张当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。
在一些可能的实施方式中，还包括分析模块，该分析模块用于确定目标图片集合中的图片的属性信息；根据属性信息对目标图片集合中的图片包含的对象进行轨迹行为分析。
在一些可能的实施方式中，上述属性信息包括图片获取位置和图片获取时间，分析模块，用于根据图片获取时间对目标图片集合中的图片进行排序，基于图片获取位置和排序后的图片对图片包含的对象进行运动轨迹确定和行为推测。
根据本公开的第三方面，提供了一种电子设备，包括至少一个处理器，以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，至少一个处理器通过执行存储器存储的指令实现如第一方面中任意一项的一种目标重识别方法。
根据本公开的第四方面，提供了一种计算机可读存储介质，上述计算机可读存储介质中存储有至少一条指令或至少一段程序，至少一条指令或至少一段程序由处理器加载并执行以实现第一方面中任意一项的一种目标重识别方法。
根据本公开的第五方面，提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开的第一方面中任一目标重识别方法。
在本公开实施例中，通过两次图片删选，包括：对目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合初步从待处理图片集合中确定出候选图片集合，其中，候选图片集合中的任两张图片之间的相似值大于等于预设相似值。以及基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出与目标对象图片中目标对象较相似的目标图片集合，可以从待处理图片集合中确定出更准确的正样本，以及减少负样本的干扰，得到目标图片集合，从而使得后续基于目标图片集合中的图片的属性信息对其包含的对象进行轨迹行为分析的结果准确性得到提高。
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
为了更清楚地说明本说明书实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本说明书的一些实施例，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它附图。
图1示出根据本公开实施例的一种目标重识别方法的流程图；
图2示出根据本公开实施例的一种获取候选图片集合的方法的流程图；
图3示出根据本公开实施例的一种获取候选图片集合的方法的流程图；
图4示出根据本公开实施例的一种获取第二候选图片集合的方法的流程图；
图5示出根据本公开实施例的一种获取候选图片集合的示意图；
图6示出根据本公开实施例的一种图关联识别网络的结构示意图；
图7示出根据本公开实施例的一种基于图关联识别网络确定目标图片集合的方法的流程图；
图8示出根据本公开实施例的一种第一图结构的示意图；
图9示出根据本公开实施例的一种残差结构的示意图；
图10示出根据本公开实施例的一种图关联识别网络的训练方法的流程图；
图11示出根据本公开实施例的一种目标重识别方法的应用流程图；
图12示出根据本公开实施例的一种目标重识别装置的框图；
图13示出根据本公开实施例的一种电子设备的框图；
图14示出根据本公开实施例的另一种电子设备的框图。
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通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，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
本公开实施例提供的目标重识别方案，获取目标对象图片和待处理图片集合，上述目标对象图片中包含目标对象，根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合，候选图片集合中的任两张图片之间的相似值大于等于预设相似值。并基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合，目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值，候选图片集合包括目标图片集合和非目标图片。这样，通过上述的两次图片删选，可以减小光照、背景复杂等各个因素的影响，从待处理图片集合中确定出更准确的正样本，以及减少负样本的干扰，得到目标图片集合，从而使得基于目标图片集合的图片的属性信息对其包含的对象进行轨迹行为分析的准确性得到提高。
在相关技术的实际应用中，待处理图片集合中的图片由于受到光照强度，背景杂乱或者图片获取设备的视角变化影响，导致现有的建模过程中会使用较多的有干扰的负样本或者忽略掉比较难识别的正样本，使得建模得到的网络精度不高，从而导致应用过程中，图片选择准确度不高，进而影响到对象轨迹行为分析的准确性。本公开实施例提供的目标重识别方法通过对目标对象图片和初始图片的特征值进行比对，得到候选图片集合，并基于图关联识别网络从候选图片集合识别出和目标对象图片的目标对象相似度更高的目标图片集合，提升了待分析图片的准确度，从而可以在选出的目标图片集合上对对象进行充分的轨迹行为分析。
本公开实施例提供的技术方案可以应用于图像或视频的目标重识别、目标识别等应用场景的扩展，本公开实施例对此不做限定。
本公开实施例提供的目标重识别方法可以由终端设备、服务器或其它类型的电子设备执行，其中，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。在一些可能的实现方式中，该目标重识别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。下面以电子设备作为执行主体为例对本公开实施例的目标重识别方法进行说明。像目标重识别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。
图1示出根据本公开实施例的一种目标重识别方法的流程图，如图1所示，方法包括：
S10：获取目标对象图片和待处理图片集合；目标对象图片中包含目标对象。
可选的，上述的目标对象可以包括但不限于交通工具、行人或者交通工具和行人的结合，交通工具可以是汽车，货车，摩托车，自行车等等。
在一些可选的实施方式中，可以通过电子设备获取目标对象图片，或者，电子设备可以从其他设备处获取目标对象图片，例如，电子设备可以从摄像设备、监控设备等设备处获取目标对象图片。在一些实现方式中，上述目标对象图片可以是视频中的一帧。同样的，待处理图片集合可以是通过电子设备获取的，也可以是通过其他的设备获取并综合至电子设备处的。
由于本公开旨在根据目标对象图片从待处理图片集合中确定出目标图片，进而可以根据目标图片对其包含的对象进行轨迹行为分析，因此，电子设备可以有目的性地选择性地获取一些图片，形成待处理图片集合。可选的，假设目标对象图片是通过A摄像头获取的，则电子设备可以也通过A摄像头获取图片，和/或通过设置在A摄像头附近的至少一个摄像头获取一些图片，组成待处理图片集合。可选的，假设目标对象图片是通过A摄像头在某时刻拍摄得到的，则电子设备也可以获取A摄像头在该时刻前后拍摄得到的图片，和/或其他摄像头在该时刻前后拍摄得到的图片，组成待处理图片集合。可选的，假设目标对象图片是通过A摄像头在某时刻拍摄得到的，则电子设备也可以获取A摄像头在该时刻前后拍摄得到的图片，和/或通过设置在A摄像头附近的其他摄像头在该时刻前后拍摄得到的图片，组成待处理图片集合。这样，由于在前期排除了很多的干扰图片，在电子设备对待处理图片集合进行操作过程中，可以节省大量的算力，节省设备开销。
S20:根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合，候选图片集合中的任两张图片之间的相似值大于等于预设相似值。
在一些可选的实施例中，在根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合之前，本公开实施例还可以对待处理图片集合中的图片进行预删选。下面以目标对象为行人进行阐述，由于在待处理图片集合获取过程中，可能会因为获取的渠道问题或者其他问题存在获取得到的图片中并没有包含人这一对象，如若直接对待处理图片集合中的图片进行第二特征信息的提取，则会大大的增加设备的开销，因此，可以通过设置在电子设备中的对象识别模块对待处理图片集合中的图片进行预删选，将不包含人的图片从中删除，得到较为干净的图片数据。
本公开从待处理图片集合中确定出候选图片集合的方式有多种，可选的，可以根据目标对象图片中目标对象的性别从候选图片集合中选出图片，组成候选图片集合。其中，候选图片集合中图片包含的对象的性别与目标对象的性别一致。可选的，还可以根据目标对象图片中目标对象的性别和体型从候选图片集合中选出图片，组成候选图片集合。其中，候选图片集合中图片包含的对象的性别和体型与目标对象的性别和体型一致。
在一种可选的实施例中，本公开可以通过提取图片的特征值来获取候选图片集合，确定目标对象图片包含的目标对象的第一特征值，确定待处理图片集合中的图片包含的对象的第二特征值，基于第二特征值和第一特征值确定出每张图片对应的第二相似程度值，根据第二相似程度值从待处理图片集合中确定出候选图片集合。然而，这种方式中，并未对候选图片集合中的任两张图片之间的相似值有做任何要求，也就是说，该种方式中，候选图片集合中的每张图片只仅仅和目标对象图片有联系。
上述的两种方法都是直接将待处理图片集合中的图片和目标对象图片进行特征值的比对，得到第二相似程度值。然而，考虑到图片或者视频拍摄过程中，光照、拍摄背景和视角变换等各种原因可能导致待处理图片集合中存在一定数量的困难正样本图片和困难负样本图片，如若在前期确定候选图片集合的过程中，没有考虑到这些样本图片，极有可能会对后续的图片识别过程产生不良影响。
本公开实施例中，样本图片指的是待处理图片集合中的每张图片，正样本图片是指图片中包含的对象和目标对象是同一对象的样本图片，负样本图片是指图片中包含的对象和目标对象是不同对象的样本图片。困难正样本图片是指该图片中包含的对象虽然和目标对象是同一对象，但是由于拍摄光线原因、对象姿态原因或者其他原因导致电子设备不容易辨别出来。困难负样本图片是指该图片中包含的对象虽然和目标对象是不同对象，但是由于拍摄光线原因、对象姿态原因或者其他原因容易被误认为和目标对象是同一对象。
考虑到上述困难正样本图片和困难负样本图片的存在，为了提高后续图片识别的准确度，图2示出根据本公开实施例的一种获取候选图片集合的方法的流程图，如图2所示，方法包括：
S201：基于特征编码提取网络确定目标对象图片包含的目标对象的第一特征值。
可选的，将目标对象图片输入上述特征编码提取网络，特征编码提取网络是已经训练好的，首先可以将目标对象图片上的目标对象进行框定，对框定的目标对象进行特征提取，得到第一特征值。
S202：基于特征编码提取网络确定待处理图片集合中的图片包含的对象的第二特征值。
一种可选的实施方式中，电子设备可以将待处理图片集合中的图片统一输入该特征编码提取网络，使得该特征编码提取网络可以对图片中的对象进行特征提取，得到每张图片的第二特征值。
另一种可选的实施方式中，考虑到待处理图片集合中图片数量可能十分庞大，因此，可以在多个电子设备中内置特征编码提取网络，将待处理图片集合分割成多个子集，每个子集中的图片由一个电子设备进行特征提取，然后汇总至最初的电子设备。
上述的特征编码提取网络可以是以无监督、有监督或者半监督学习方法训练得到的。可选的，在特征编码提取网络训练过程中，可以将每一个包含对象的训练图片作为一个类别，进行多分类学习。训练完毕后，去掉该网络最后的分类层，将网络的输出作为特征编码。具体的特征提取方式可以参考上文对目标对象图片中目标对象的特征提取。
可选的，第一特征值和第二特征值也可以被称为第一特征编码和第二特征编码，该第一特征值和第二特征值可以以多种形式输出，比如可以以矢量的形式输出，或者以多位二进制数的形式输出，以何种形式输出可以根据实际需求确定，这里不再赘述。
S203：基于第二特征值和第一特征值确定出每张图片对应的第二相似程度值。
可选的，电子设备可以根据每一个第二特征值和第一特征值计算出每张图片相较于目标对象图片的第二相似程度值。举个例子，假设待处理图片集合中有10000张图片，则通过特征编码提取网络后，可以得到10000张图片对应的10000个第二特征值和目标对象图片对应的第一特征值。将每个第二特征值和第一特征值按照预设规则进行计算，得到10000个第二相似程度值。
S204:根据第二相似程度值从待处理图片集合中确定出候选图片集合。
一种可选的实施方式中，电子设备获取预设的第二相似程度阈值，将得到的第二相似程度值和第二相似程度阈值进行对比，确定数值大于第二相似程度阈值的第二相似程度值，且任两张图片之间的相似值大于等于预设相似值对应的图片，组成该候选图片集合。
另一种可选的实施方式中，电子设备可以将每张图片对应的第二相似程度值按照数值从大至小进行排序，将排在前N位的第二相似程度值，且任两张图片之间的相似值大于等于预设相似值对应的图片确定为候选图片集合中的图片。比如，N为100，则从待处理图片集合中确定出100张图片组成候选图片集合。
上述方法中，该候选图片集合中任两张图片之间的相似值大于等于预设相似值，可选的，任两张图片之间的相似值可以通过这两张图片的第二特征值计算得到。也就是说，该实施例不仅需要通过第一特征值和第二特征值的计算确定候选图片集合中每张图片和目标对象图片之间的关联，还要通过候选图片集合中任两张图片的相似值建立候选图片集合中图片的关联，如此，可以尽量增加候选图片集合中困难正样本图片的数量的同时，减少困难负样本图片的数量。可选的，上述的预设相似值可以是根据实际情况设置的。
在另一种可选的实施方式中，电子设备可以先从待处理图片集合确定出第一候选图片集合，在第一候选图片集合的基础上确定出第二候选图片集合，将上述两种候选图片集合组成候选图片集合。图3示出根据本公开实施例的一种获取候选图片集合的方法的流程图，如图3所示，方法包括：
S301：将每张图片对应的第二相似程度值按照数值从大至小进行排序。
S302:基于排在前N1位的第二相似程度值对应的图片将待处理图片集合分为第一候选图片集合和非第一候选图片集合；其中，第一候选图片集合包含排在前N1位的第二相似程度值对应的图片。
可替换地，可以获取预设的第二相似程度阈值，将得到的第二相似程度值和第二相似程度阈值进行对比，确定数值大于第二相似程度阈值的第二相似程度值对应的图片，组成上述的第一候选图片集合，待处理图片集合中其余的图片将组成非第一候选图片集合。可选的，第一侯选图片集合和非第一候选图片集合不存在交集。
S303:根据第一候选图片集合中的图片的第二特征值和非第一候选图片集合中的图片的第二特征值从非第一候选图片集合中确定出N2张图片，组成第二候选图片集合。
图4示出根据本公开实施例的一种获取第二候选图片集合的方法的流程图，如图4所示，方法包括：
S401：将第一候选图片集合中的任一当前使用的图片当作当前图片。
假设N1为10，则第一次选择过程中确定的第一候选图片集合中有10张图片。这10张图片中的每张图片都会经历S401-S403步骤的处理。
402：根据当前图片的第二特征值和非第一候选图片集合中的图片的第二特征值确定出非第一候选图片集合中的每张图片对应的第三相似程度值。
基于假设的待处理图片集合中共10000张图片继续阐述，由于上述例子中已经说明第一候选图片集合中包括10张图片，那么非第一候选图片集合还包括9990张图片，在此步骤中，电子设备将根据当前图片的第二特征值和9990张图片的第二特征值获得9990张图片针对于当前图片的第三相似程度值。
S403:根据每张图片对应的第三相似程度值从非第一候选图片集合确定出当前图片对应的第三候选图片集合。
可选的，电子设备可以预先设置第三相似程度阈值，将数值大于第三相似程度阈值的第三相似程度值对应的图片确定到当前图片对应的第三候选图片集合中。
可选的，电子设备将9990个第三相似程度值进行排序，将排在前几位的第三相似程度值对应的图片确定到当前图片对应的第三候选图片集合中。
S404：在每张当前图片都存在对应的第三候选图片集合的情况下，根据每张当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。
这样，在每张当前图片都有对应的第三候选图片集合的情况下，也就是第一候选图片集合中10张图片有和其满足相似度的图片的情况下，将根据每张当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。
在一个可能的实施例中，存在第一候选图片集合中不同图片对应的第三候选图片集合中存在重复的图片。针对该种存在重复图片的情况，可选的，在组成候选图片集合后，对其进行复检，删除重复图片。可选的，在组成候选图片集合后，对其进行复检，删除重复图片，还可以基于第三相似程度值对第二候选图片集合进行图片补充，直至确定出满足要求的N2张图片。可选的，N1和N2之和可以是N。
S304:基于第一候选图片集合和第二候选图片集合确定候选图片集合。
本公开实施例中，可以将第一候选图片集合和第二候选图片集合进行合并，得到候选图片集合，候选图片集合中的任两张图片之间的相似值大于等于预设相似值。
图5示出根据本公开实施例的一种获取候选图片集合的示意图，如图5所示，在上述的实施例中，第一候选图片集合中的图片可以被看作过渡图片，比如，目标对象图片是行人的正面图片，第一候选图片集合中的图片可以是该行人的侧面图片，第二候选图片集合中的图片可以是该行人的背面图片，相较于正面图片，由于背面图片和侧面图片中行人的相似点可能更多，由侧面图片确定出背面图片的可能性会更大。因此，这种实施方式下，电子设备通过二次搜索限定最大搜索数量，利用待处理图片集合中图片之间的相似性关系，而不是仅仅利用图片和目标对象图片之间的关系，尽可能的挖掘困难正样本图片，提升候选图片集合中正样本的概率，为后续图片处理做了铺垫。
S30：基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合；目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值；候选图片集合包括目标图片集合和非目标图片。
在一个可选的实施方式中，图关联识别网络可以包括但不限于采用卷积神经网络、循环神经网络或递归神经网络等深度学习网络。以卷积神经网络为例，可以获取大量的训练数据集合，每个训练数据集合中包括目标对象图片的第一特征值和候选图片的第二特征值，以及标注好的目标图片，然后，基于大量的训练数据集合对卷积神经网络进行目标图片识别训练，在训练中调整该卷积神经网络的参数至卷积神经网络输出的目标图片与标注好的目标图片相匹配，得到图关联识别网络。
在另一个可选的实施例中，图关联识别网络可以包括但不限于图卷积神经网络。这是因为现实生活中，其实有很多不规则的数据结构，典型的就是第一图结构，或称拓扑结构，如社交网络、化学分子结构、知识图谱等等；即使是语言，实际上其内部也是复杂的树形结构，也是一种第一图结构；而像图片，在做目标识别的时候，我们关注的实际上只是二维图片上的部分关键点，这些点组成的也是一个图的结构。图的结构一般来说是十分不规则的，可以认为是无限维的一种数据，所以它没有平移不变性。每一个节点的周围结构可能都是独一无二的，这种结构的数据，就让传统的卷积神经网络在此的应用效果不佳，而图卷积神经网络精妙地设计了一种从图数据中提取特征的方法，从而让我们可以使用这些特征去对图数据进行节点分类(node classification)、图分类(graph classification)、边预测(link prediction)，还可以顺便得到图的嵌入表示(graph embedding)，用途广泛且合适。
图6示出根据本公开实施例的一种图关联识别网络的结构示意图，如图6所示，上述图关联识别网络可以包括第一图结构建立子网络、图关联更新子网络以及分类器，上述第一图结构建立子网络、上述图关联更新子网络以及分类器串行连接。
图7示出根据本公开实施例的一种基于图关联识别网络确定目标图片集合的方法的示意图，如图7所示，包括：
S701：将上述第一特征值和上述第二特征值集合输入上述第一图结构建立子网络，得到第一图结构；上述第一图结构包含有节点和用于连接两个节点的边；上述节点的数量和上述候选图片集合中的图片的数量相同；上述连接两个节点的边是基于连接的上述两个节点之间的相似度和预设的相似度确定的。
在一个可选的实施例中，以上述的候选图片集合中图片为100张这个例子继续阐述，电子设备将第一特征和第二特征值集合输入第一图结构建立子网络，第一图结构建立子网络将每个第二特征值和第一特征值作差，得到每个第二特征值对应的关联特征值，每个关联特征值是指其对应的图片和目标对象图片的关联关系。将每个关联特征值定义为一个节点，因此，可以确定出100个节点。基于任意两个节点对应的关联特征值确定出这两个节点之间的相似度，根据排列组合公式，需要做100*99/2＝4950次的两个节点之间的相似度，若存在相似度大于预设的相似度，则可以在其对应的两个节点之间作边。如此，就可以得到一个如图8所示的第一图结构，图8所示的第一图结构只是示例出了部分节点以及节点之间的边。
S702：将上述第一图结构输入上述图关联更新子网络，更新优化后的第二图结构。
一种可选的实施方式中，上述图关联更新子网络可以包括多个图卷积层、多个激活层和多个全连接层，多个图卷积层、多个激活层和多个全连接层串行连接。
可选的，可以存在数量相同的图卷积层和全连接层，其中，每个图卷积层后面都存在一个激活层。具体可以呈现：图卷积层-激活层-全连接层-图卷积层-激活层-全连接层-图卷积层-激活层-全连接层……全连接层这种形式。
可选的，可以存在数量不相同的图卷积层和全连接层，其中，每个图卷积层和每个全连接层后面都存在一个激活层。具体可以呈现：图卷积层-激活层-图卷积层-激活层-图卷积层-激活层-……全连接层-激活层-全连接层-激活层……全连接层-激活层这种形式。
关联更新子网络中图卷积层、全连接层和激活层的数量和前后位置关系可以根据实际需求设置，比如，可以设置有9层图卷积层。
在一个可选的实施例中，为了加强图卷积层推理的有效性，使得在卷积过程中，加强两个正样本对应的节点之间的关联，减少正样本和负样本对应的节点之间的关联，可以在图卷积层中增加注意力机制。因此，该图关联更新子网络包括注意力机制层，多个图卷积层、多个激活层和多个全连接层，其中，注意力机制层、多个图卷积层、多个激活层和多个全连接层串行连接。该注意力机制层的个数可以根据实际情况设置。可选的，可以只有一个注意力机制层，该注意力机制层可以设置在第一个图卷积层前面。可选的，可以在每一个图卷积层前面设置一个注意力机制层。
在一个可选的实施例中，假设只在第一个图卷积层前面设置有注意力机制层，则将第一图结构输入图关联更新子网络，得到更新优化后的第二图结构可以表示为：将每个节点的权重向量和第一图结构确定为注意力机制层的下一层的输入；将多个图卷积层、多个激活层和多个全连接层中的任一当前处理的层确定为当前层；将当前层的上一层的输出当作当前层的输入，进行计算处理后得到当前层的输出；在任一当前层存在对应的输出的情况下，根据图关联更新子网络中最后一层的输出得到更新优化后的第二图结构。在每一个图卷积层前设置注意力机制层的计算过程可以参考上述的计算过程，这里不再赘述。
在一个可选的实施方式中，可能会存在该深度学习网络由于网络深度导致梯度消失和梯度爆炸的问题，可选的，可以使用数据的初始化(normlized initializatiton)和正则化(batch normlization)解决该梯度的问题，然而由于深度加深了，会带来另外的问题，就是网络性能的退化问题，即网络深度加深了，错误率却上升了，因此，可以利用图9所示的残差结构来解决退化问题，其同时也解决了梯度问题，使得网络的性能也提升了。
S703：通过分类器根据第二图结构确定出上述候选图片集合中每张图片对应的第一相似程度值。
在一个可选的实施方式中，可以将第一图结构和第二图结构相加融合，得到第三图结构，通过分类器根据第三图结构确定出候选图片集合中每张图片对应的第一相似程度值。可选的，可以将第一图结构上的第i节点对应的数值和第二图结构上的第i节点对应的数值进行相加，得到第三图结构的第i节点对应的数值，结构不变，得到第三图结构；或者，可以将第一图结构上的第i节点对应的数值和第二图结构上的第i节点对应的数值进行相加求平均，得到第三图结构的第i节点对应的数值，结构不变，得到第三图结构；还或者，可以将第一图结构上的第i节点对应的数值和第二图结构上的第i节点对应的数值进行加权相加，得到第三图结构的第i节点对应的数值，结构不变，得到第三图结构。上述的第一图结构上的第i节点、第二图结构上的第i节点和第二图结构上的第i节点都是同一个图片对应的节点。
S704：基于上述每张候选图片对应的第一相似程度值与相似程度阈值确定出上述目标图片集合。
该目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值。
本申请实施例还提供一种图关联识别网络的训练方法，如图10所示，包括：
S1001：电子设备获取训练样本数据集，训练样本数据集包括多个参考图片对应的第一特征值，以及每个第一特征值对应的第二特征值集合和第二特征值集合对应的第一相似程度值集合；
S1002：电子设备构建预设机器学习网络，将预设机器学习网络确定为当前机器学习网络；
S1003：电子设备基于当前机器学习网络，对第一特征值，以及每个第一特征值对应的第二特征值集合进行关联识别，确定预测的第一相似程度集合；
S1004：电子设备基于第二特征值集合对应的第一相似程度值集合和预测的第一相似程度集合，确定损失值；
S1005：当损失值大于预设阈值时，转至步骤S1006；否则转至步骤S1007；
S1006：电子设备基于损失值进行反向传播，对当前机器学习网络进行更新以得到更新后的机器学习网络，将更新后的机器学习网络重新确定为当前机器学习网络；转至步骤S1003；
S1007：电子设备确定损失值小于或等于预设阈值时，将当前机器学习网络确定为图关联识别网络。
图11示出根据本公开实施例的一种目标重识别方法的应用的流程图，如图11所示，方法包括：
S40：确定目标图片集合中的图片的属性信息。
电子设备可以基于图片确定出该图片的属性信息，属性信息可以包括图片获取位置和图片获取时间，该获取位置可以包括但不限于拍摄该图片的设备所处的位置信息，还可以包括图片中呈现的场景所处的位置信息。图片获取时间包括但不限于图片拍摄时间。
S50：根据属性信息对目标图片集合中的图片包含的对象进行轨迹行为分析。
由于确定出的目标图片集合中的图片中的对象基本被认定为和目标对象为同一对象，则根据图片获取时间对目标图片集合中的图片进行时间上的排序，基于图片获取位置和排序后的图片对图片包含的对象进行运动轨迹确定和行为推测。比如，在什么时间段内，对象经过了哪些地方，依次做了什么事情，基于图片确定的事情对对象之后可能做得事情进行推测分析，得到分析结果。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，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。
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。
此外，本公开还提供了目标重识别装置、电子设备、计算机可读存储介质、计算机程序产品，上述均可用来实现本公开提供的任一种目标重识别方法，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12示出根据本公开实施例的一种目标重识别装置的框图；如图11所示，所述目标重识别装置，包括：
图片获取模块1201用于获取目标对象图片和待处理图片集合；目标对象图片中包含目标对象；
候选图片确定模块1202用于根据目标对象图片的第一特征值和待处理图片集合对应的第二特征值集合从待处理图片集合中确定出候选图片集合；候选图片集合中的任两张图片之间的相似值大于等于预设相似值；
目标图片确定模块1203用于基于训练好的图关联识别网络对第一特征值和第二特征值集合进行识别，从候选图片集合中确定出目标图片集合；目标图片集合中的图片包含的对象与目标对象的第一相似程度值大于等于非目标图片包含的对象与目标对象的第一相似程度值；候选图片集合包括目标图片集合和非目标图片。
在一些可能的实施方式中，上述图关联识别网络包括第一图结构建立子网络、图关联更新子网络以及分类器；第一图结构建立子网络、图关联更新子网络以及分类器串行连接；目标图片确定模块用于将第一特征值和第二特征值集合输入第一图结构建立子网络，得到第一图结构；第一图结构包含有节点和用于连接两个节点的边；节点的数量和候选图片集合中的图片的数量相同；连接两个节点的边是基于连接的两个节点之间的相似度和预设的相似度确定的；将第一图结构输入图关联更新子网络，得到更新优化后的第二图结构；通过分类器根据第二图结构确定出候选图片集合中每张图片对应的第一相似程度值；基于每张候选图片对应的第一相似程度值与相似程度阈值确定出目标图片集合。
在一些可能的实施方式中，目标图片确定模块用于将第一图结构和第二图结构相加融合，得到第三图结构；通过分类器根据第三图结构确定出候选图片集合中每张图片对应的第一相似程度值。
在一些可能的实施方式中，上述图关联更新子网络包括注意力机制层、多个图卷积层、多个激活层和多个全连接层，注意力机制层、多个图卷积层、多个激活层和多个全连接层串行连接，目标图片确定模块用于将第一图结构输入注意力机制层，得到第一图结构中每个节点的权重向量；将每个节点的权重向量和第一图结构确定为注意力机制层的下一层的输入；将多个图卷积层、多个激活层和多个全连接层中的任一当前处理的层确定为当前层；将当前层的上一层的输出当作当前层的输入，进行计算处理后得到当前层的输出；在任一当前层存在对应的输出的情况下，根据图关联更新子网络中最后一层的输出得到更新优化后的第二图结构。
在一些可能的实施方式中，候选图片确定模块用于基于特征编码提取网络确定目标对象图片包含的目标对象的第一特征值，基于特征编码提取网络确定待处理图片集合中的每张图片包含的对象的第二特征值，基于第二特征值和第一特征值确定出每张图片对应的第二相似程度值，根据第二相似程度值从待处理图片集合中确定出候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N位的第二相似程度值对应的图片得到候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将每张图片对应的第二相似程度值按照数值从大至小进行排序，基于排在前N1位的第二相似程度值对应的图片将待处理图片集合分为第一候选图片集合和非第一候选图片集合，其中，第一候选图片集合包含排在前N1位的第二相似程度值对应的图片，根据第一候选图片集合中的图片的第二特征值和非第一候选图片集合中的图片的第二特征值从非第一候选图片集合中确定出N2张图片，组成第二候选图片集合，基于第一候选图片集合和第二候选图片集合确定候选图片集合。
在一些可能的实施方式中，上述候选图片确定模块用于将第一候选图片集合中的任一当前使用的图片确认为当前图片：根据当前图片的第二特征值和非第一候选图片集合中的图片的第二特征值确定出非第一候选图片集合中的每张图片对应的第三相似程度值，根据每张图片对应的第三相似程度值从非第一候选图片集合确定出当前图片对应的第三候选图片集合，在每张当前图片都存在对应的第三候选图片集合的情况下，根据每张当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。
在一些可能的实施方式中，还包括分析模块，该分析模块用于确定目标图片集合中的图片的属性信息；根据属性信息对目标图片集合中的图片包含的对象进行轨迹行为分析。
在一些可能的实施方式中，上述属性信息包括图片获取位置和图片获取时间，分析模块，用于根据图片获取时间对目标图片集合中的图片进行排序，基于图片获取位置和排序后的图片对图片包含的对象进行运动轨迹确定和行为推测。
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，所述计算机可读存储介质中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并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上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
本公开实施例提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本公开的目标重识别方法。
图13示出根据本公开实施例的一种电子设备的框图。例如，电子设备1300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13，电子设备1300可以包括以下一个或多个组件：处理组件1302，存储器1304，电源组件1306，多媒体组件1308，音频组件1310，输入/输出(I/O)的接口1312，传感器组件1314，以及通信组件1316。
处理组件1302通常控制电子设备1300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1302可以包括一个或多个处理器1320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1302可以包括一个或多个模块，便于处理组件1302和其他组件之间的交互。例如，处理组件1302可以包括多媒体模块，以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300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1304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1306为电子设备1300的各种组件提供电力。电源组件1306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1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述电子设备1300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1308包括一个前置摄像头和/或后置摄像头。当电子设备1300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1310被配置为输出和/或输入音频信号。例如，音频组件1310包括一个麦克风(MIC)，当电子设备1300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1304或经由通信组件1316发送。在一些实施例中，音频组件1310还包括一个扬声器，用于输出音频信号。
I/O接口1312为处理组件1302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1314包括一个或多个传感器，用于为电子设备1300提供各个方面的状态评估。例如，传感器组件1314可以检测到电子设备1300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1300的显示器和小键盘，传感器组件1314还可以检测电子设备1300或电子设备1300一个组件的位置改变，用户与电子设备1300接触的存在或不存在，电子设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314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1314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1314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1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300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1316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1316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1300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1304，上述计算机程序指令可由电子设备1300的处理器1320执行以完成上述方法。
图14示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1400可以被提供为一服务器。参照图14，电子设备1400包括处理组件1422，其进一步包括一个或多个处理器，以及由存储器1432所代表的存储器资源，用于存储可由处理组件1422的执行的指令，例如应用程序。存储器1432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1422被配置为执行指令，以执行上述方法。
电子设备1400还可以包括一个电源组件1426被配置为执行电子设备1400的电源管理，一个有线或无线网络接口1450被配置为将电子设备1400连接到网络，和一个输入输出(I/O)接口1458。电子设备1400可以操作基于存储在存储器1432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1432，上述计算机程序指令可由电子设备1400的处理组件1422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(I SA)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Sma l l ta l k、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。
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技术改进，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 (13)

1.一种目标重识别方法，其特征在于，所述方法包括：
获取目标对象图片和待处理图片集合；所述目标对象图片中包含目标对象；
根据所述目标对象图片的第一特征值和所述待处理图片集合对应的第二特征值集合从所述待处理图片集合中确定出候选图片集合；所述候选图片集合中的任两张图片之间的相似值大于等于预设相似值；
基于训练好的图关联识别网络对所述第一特征值和所述第二特征值集合进行识别，从所述候选图片集合中确定出目标图片集合；所述目标图片集合中的图片包含的对象与所述目标对象的第一相似程度值大于等于非目标图片包含的对象与所述目标对象的第一相似程度值；所述候选图片集合包括所述目标图片集合和所述非目标图片。
2.根据权利要求1所述的方法，其特征在于，所述图关联识别网络包括第一图结构建立子网络、图关联更新子网络以及分类器；所述第一图结构建立子网络、所述图关联更新子网络以及分类器串行连接；
所述基于训练好的图关联识别网络对所述第一特征值和所述第二特征值集合进行识别，从所述候选图片集合中确定出目标图片集合，包括：
将所述第一特征值和所述第二特征值集合输入所述第一图结构建立子网络，得到第一图结构；所述第一图结构包含有节点和用于连接两个节点的边；所述节点的数量和所述候选图片集合中的图片的数量相同；所述连接两个节点的边是基于连接的所述两个节点之间的相似度和预设的相似度确定的；
将所述第一图结构输入所述图关联更新子网络，得到更新优化后的第二图结构；
通过所述分类器根据所述第二图结构确定出所述候选图片集合中每张图片对应的第一相似程度值；
基于所述每张候选图片对应的第一相似程度值与相似程度阈值确定出所述目标图片集合。
3.根据权利要求2所述的方法，其特征在于，所述通过所述分类器根据所述第二图结构确定出所述候选图片集合中每张图片对应的第一相似程度值，包括：
将所述第一图结构和所述第二图结构相加融合，得到第三图结构；
通过所述分类器根据所述第三图结构确定出所述候选图片集合中每张图片对应的第一相似程度值。
4.根据权利要求2所述的方法，其特征在于，所述图关联更新子网络包括注意力机制层，多个图卷积层、多个激活层和多个全连接层；
所述注意力机制层、所述多个图卷积层、所述多个激活层和所述多个全连接层串行连接；
所述将所述第一图结构输入所述图关联更新子网络，得到更新优化后的第二图结构，包括：
将所述第一图结构输入所述注意力机制层，得到所述第一图结构中每个节点的权重向量；
将所述每个节点的权重向量和所述第一图结构确定为所述注意力机制层的下一层的输入；
将所述多个图卷积层、所述多个激活层和所述多个全连接层中的任一当前处理的层确定为当前层；
将所述当前层的上一层的输出当作所述当前层的输入，进行计算处理后得到当前层的输出；
在任一所述当前层存在对应的输出的情况下，根据所述图关联更新子网络中最后一层的输出得到更新优化后的第二图结构。
5.根据权利要求1-4所述的方法，其特征在于，所述根据所述目标对象图片的第一特征值和所述待处理图片集合对应的第二特征值集合从所述待处理图片集合中确定出候选图片集合，包括：
基于特征编码提取网络确定所述目标对象图片包含的所述目标对象的第一特征值；
基于所述特征编码提取网络确定所述待处理图片集合中的每张图片包含的对象的第二特征值；
基于所述第二特征值和所述第一特征值确定出每张所述图片对应的第二相似程度值；
根据所述第二相似程度值从所述待处理图片集合中确定出候选图片集合。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二相似程度值从所述待处理图片集合中确定出候选图片集合，包括：
将每张所述图片对应的第二相似程度值按照数值从大至小进行排序；
基于排在前N位的第二相似程度值对应的图片得到所述候选图片集合。
7.根据权利要求5所述的方法，其特征在于，所述根据所述第二相似程度值从所述待处理图片集合中确定出候选图片集合，包括：
将每张所述图片对应的第二相似程度值按照数值从大至小进行排序；
基于排在前N1位的第二相似程度值对应的图片将所述待处理图片集合分为第一候选图片集合和非第一候选图片集合；其中，所述第一候选图片集合包含所述排在前N1位的第二相似程度值对应的图片；
根据所述第一候选图片集合中的图片的第二特征值和所述非第一候选图片集合中的图片的第二特征值从所述非第一候选图片集合中确定出N2张图片，组成第二候选图片集合；
基于所述第一候选图片集合和所述第二候选图片集合确定所述候选图片集合。
8.根据权利要求7所述的方法，其特征在于，所述根据所述第一候选图片集合中的图片的第二特征值和所述非第一候选图片集合中的图片的第二特征值从所述非第一候选图片集合中确定出N2张图片，组成第二候选图片集合，包括：
将所述第一候选图片集合中的任一当前使用的图片确认为当前图片：
根据所述当前图片的第二特征值和所述非第一候选图片集合中的图片的第二特征值确定出所述非第一候选图片集合中的每张图片对应的第三相似程度值；
根据每张所述图片对应的第三相似程度值从所述非第一候选图片集合确定出所述当前图片对应的第三候选图片集合；
在每张所述当前图片都存在对应的第三候选图片集合的情况下，根据每张所述当前图片对应的第三候选图片集合确定出N2张图片，组成第二候选图片集合。
9.根据权利要求1所述的方法，其特征在于，所述从所述候选图片集合中确定出目标图片集合之后，还包括：
确定所述目标图片集合中的图片的属性信息；
根据所述属性信息对所述目标图片集合中的图片包含的对象进行轨迹行为分析。
10.根据权利要求9所述的方法，其特征在于，所述属性信息包括图片获取位置和图片获取时间；
所述根据所述属性信息对所述目标图片集合中的图片包含的对象进行轨迹行为分析，包括：
根据所述图片获取时间对所述目标图片集合中的图片进行排序；
基于所述图片获取位置和排序后的所述图片对所述图片包含的对象进行运动轨迹确定和行为推测。
11.一种目标重识别装置，其特征在于，包括：
图片获取模块，用于获取目标对象图片和待处理图片集合；所述目标对象图片中包含目标对象；
候选图片确定模块，用于根据所述目标对象图片的第一特征值和所述待处理图片集合对应的第二特征值集合从所述待处理图片集合中确定出候选图片集合；所述候选图片集合中的任两张图片之间的相似值大于等于预设相似值；
目标图片确定模块，用于基于训练好的图关联识别网络对所述第一特征值和所述第二特征值集合进行识别，从所述候选图片集合中确定出目标图片集合；所述目标图片集合中的图片包含的对象与所述目标对象的第一相似程度值大于等于非目标图片包含的对象与所述目标对象的第一相似程度值；所述候选图片集合包括所述目标图片集合和所述非目标图片。
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中存储有至少一条指令或至少一段程序，所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求1-10中任意一项所述的一种目标重识别方法。
13.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述至少一个处理器通过执行所述存储器存储的指令实现如权利要求1-10中任意一项所述的一种目标重识别方法。
CN202011022834.4A 2020-09-25 2020-09-25 目标重识别方法、装置、存储介质及设备 Active CN112149740B (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202011022834.4A CN112149740B (zh) 2020-09-25 2020-09-25 目标重识别方法、装置、存储介质及设备
KR1020227002689A KR20220042356A (ko) 2020-09-25 2020-12-28 타깃 재식별 방법, 장치, 기기, 저장 매체 및 프로그램 제품
JP2021574956A JP2022552761A (ja) 2020-09-25 2020-12-28 目標再認識方法、装置、機器、記憶媒体及びプログラム製品
PCT/CN2020/140303 WO2022062243A1 (zh) 2020-09-25 2020-12-28 目标重识别方法、装置、设备、存储介质及程序产品
TW110112618A TWI769775B (zh) 2020-09-25 2021-04-07 目標重識別方法、電子設備和電腦可讀儲存介質

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011022834.4A CN112149740B (zh) 2020-09-25 2020-09-25 目标重识别方法、装置、存储介质及设备

Publications (2)

Publication Number Publication Date
CN112149740A true CN112149740A (zh) 2020-12-29
CN112149740B CN112149740B (zh) 2021-12-28

Family

ID=73897192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011022834.4A Active CN112149740B (zh) 2020-09-25 2020-09-25 目标重识别方法、装置、存储介质及设备

Country Status (5)

Country Link
JP (1) JP2022552761A (zh)
KR (1) KR20220042356A (zh)
CN (1) CN112149740B (zh)
TW (1) TWI769775B (zh)
WO (1) WO2022062243A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464922A (zh) * 2021-02-02 2021-03-09 长沙海信智能系统研究院有限公司 人车重识别及其模型训练方法、装置、设备及存储介质
CN114218992A (zh) * 2021-12-29 2022-03-22 重庆紫光华山智安科技有限公司 异常对象的检测方法及相关装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114545400B (zh) * 2022-04-27 2022-08-05 陕西欧卡电子智能科技有限公司 基于毫米波雷达的水面机器人的全局重定位方法
CN114972883B (zh) * 2022-06-17 2024-05-10 平安科技（深圳）有限公司 基于人工智能的目标检测样本生成方法及相关设备
CN114814777B (zh) * 2022-06-27 2022-09-27 中国人民解放军32035部队 一种多雷达密集目标的图形匹配关联方法及系统
KR102585912B1 (ko) * 2022-12-14 2023-10-06 주식회사 딥노이드 디자인권이 적용된 제품군을 자동으로 탐색하기 위한 장치 및 이를 위한 방법
CN115687674A (zh) * 2022-12-20 2023-02-03 昆明勤砖晟信息科技有限公司 服务于智慧云服务平台的大数据需求分析方法及系统
CN116700724B (zh) * 2023-08-03 2023-10-20 江苏狄诺尼信息技术有限责任公司 一种基于模式法的立交平面交互式图形设计系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107153817A (zh) * 2017-04-29 2017-09-12 深圳市深网视界科技有限公司 行人重识别数据标注方法和装置
US20190095703A1 (en) * 2017-04-24 2019-03-28 Intel Corporation Recognition, reidentification and security enhancements using autonomous machines
WO2019105218A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
EP3495989A1 (en) * 2017-12-05 2019-06-12 Axis AB Best image crop selection
CN110084157A (zh) * 2019-04-12 2019-08-02 北京旷视科技有限公司 图像重识别的数据处理方法及装置
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN110796057A (zh) * 2019-10-22 2020-02-14 上海交通大学 行人重识别方法、装置及计算机设备
CN111291765A (zh) * 2018-12-07 2020-06-16 北京京东尚科信息技术有限公司 用于确定相似图片的方法和装置
CN111339979A (zh) * 2020-03-04 2020-06-26 平安科技（深圳）有限公司 基于特征提取的图像识别方法及图像识别装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101482920B (zh) * 2008-12-30 2010-12-22 广东国笔科技股份有限公司 一种手写字符识别方法及系统
WO2015165092A1 (zh) * 2014-04-30 2015-11-05 中国科学院自动化研究所 大范围优先的跨摄像机视觉目标再识别方法
CN108875588B (zh) * 2018-05-25 2022-04-15 武汉大学 基于深度学习的跨摄像头行人检测跟踪方法
CN109299664B (zh) * 2018-08-27 2021-03-26 华中科技大学 一种行人重识别的重排序方法
CN109934249A (zh) * 2018-12-14 2019-06-25 网易（杭州）网络有限公司 数据处理方法、装置、介质和计算设备
CN109886113A (zh) * 2019-01-17 2019-06-14 桂林远望智能通信科技有限公司 一种基于区域候选网络的旷视行人再识别方法
CN110163127A (zh) * 2019-05-07 2019-08-23 国网江西省电力有限公司检修分公司 一种由粗到细的视频目标行为识别方法
CN111126224A (zh) * 2019-12-17 2020-05-08 成都通甲优博科技有限责任公司 车辆检测方法及分类识别模型训练方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190095703A1 (en) * 2017-04-24 2019-03-28 Intel Corporation Recognition, reidentification and security enhancements using autonomous machines
CN107153817A (zh) * 2017-04-29 2017-09-12 深圳市深网视界科技有限公司 行人重识别数据标注方法和装置
WO2019105218A1 (zh) * 2017-11-30 2019-06-06 腾讯科技（深圳）有限公司 图像特征的识别方法和装置、存储介质、电子装置
EP3495989A1 (en) * 2017-12-05 2019-06-12 Axis AB Best image crop selection
CN111291765A (zh) * 2018-12-07 2020-06-16 北京京东尚科信息技术有限公司 用于确定相似图片的方法和装置
CN110084157A (zh) * 2019-04-12 2019-08-02 北京旷视科技有限公司 图像重识别的数据处理方法及装置
CN110135295A (zh) * 2019-04-29 2019-08-16 华南理工大学 一种基于迁移学习的无监督行人重识别方法
CN110796057A (zh) * 2019-10-22 2020-02-14 上海交通大学 行人重识别方法、装置及计算机设备
CN111339979A (zh) * 2020-03-04 2020-06-26 平安科技（深圳）有限公司 基于特征提取的图像识别方法及图像识别装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
C. LIU等: ""POP: Person Re-identification Post-rank Optimisation"", 《2013 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 *
YANTAO SHEN等: ""Person Re-identification with Deep Similarity-Guided Graph Neural Network"", 《ECCV 2018: COMPUTER VISION-ECCV 2018》 *
徐思敏: ""基于视频的行人重识别研究"", 《中国优秀博硕士学位论文全文数据库(硕士)·信息科技辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464922A (zh) * 2021-02-02 2021-03-09 长沙海信智能系统研究院有限公司 人车重识别及其模型训练方法、装置、设备及存储介质
CN112464922B (zh) * 2021-02-02 2021-05-28 长沙海信智能系统研究院有限公司 人车重识别及其模型训练方法、装置、设备及存储介质
CN114218992A (zh) * 2021-12-29 2022-03-22 重庆紫光华山智安科技有限公司 异常对象的检测方法及相关装置
CN114218992B (zh) * 2021-12-29 2023-09-08 重庆紫光华山智安科技有限公司 异常对象的检测方法及相关装置

Also Published As

Publication number Publication date
JP2022552761A (ja) 2022-12-20
TWI769775B (zh) 2022-07-01
KR20220042356A (ko) 2022-04-05
CN112149740B (zh) 2021-12-28
WO2022062243A1 (zh) 2022-03-31
TW202213185A (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN112149740B (zh) 目标重识别方法、装置、存储介质及设备
CN109829433B (zh) 人脸图像识别方法、装置、电子设备及存储介质
CN110348537B (zh) 图像处理方法及装置、电子设备和存储介质
CN110287874B (zh) 目标追踪方法及装置、电子设备和存储介质
CN110378976B (zh) 图像处理方法及装置、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
CN111881956A (zh) 网络训练方法及装置、目标检测方法及装置和电子设备
CN109615006B (zh) 文字识别方法及装置、电子设备和存储介质
CN111931844B (zh) 图像处理方法及装置、电子设备和存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
JP2021512378A (ja) アンカー決定方法及び装置、電子機器並びに記憶媒体
CN110532956B (zh) 图像处理方法及装置、电子设备和存储介质
CN113326768B (zh) 训练方法、图像特征提取方法、图像识别方法及装置
CN109977860B (zh) 图像处理方法及装置、电子设备和存储介质
CN112906484B (zh) 一种视频帧处理方法及装置、电子设备和存储介质
CN111582383A (zh) 属性识别方法及装置、电子设备和存储介质
CN111310664B (zh) 图像处理方法及装置、电子设备和存储介质
CN113269307B (zh) 神经网络训练方法以及目标重识别方法
CN110781842A (zh) 图像处理方法及装置、电子设备和存储介质
CN113313115B (zh) 车牌属性识别方法及装置、电子设备和存储介质
CN113486957A (zh) 神经网络训练和图像处理方法及装置
CN110781975B (zh) 图像处理方法及装置、电子设备和存储介质
CN111178115B (zh) 对象识别网络的训练方法及系统
CN112801116B (zh) 图像的特征提取方法及装置、电子设备和存储介质
CN113052874B (zh) 目标跟踪方法及装置、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
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40034091

Country of ref document: HK

GR01 Patent grant
GR01 Patent grant