CN114359854A

CN114359854A - 一种对象的识别方法、装置、存储介质及电子装置

Info

Publication number: CN114359854A
Application number: CN202210274537.1A
Authority: CN
Inventors: 彭垚; 倪华健; 赵之健; 林亦宁; 吴俣昊
Original assignee: Hangzhou Shanma Zhiqing Technology Co Ltd; Shanghai Supremind Intelligent Technology Co Ltd
Current assignee: Hangzhou Shanma Zhiqing Technology Co Ltd; Shanghai Supremind Intelligent Technology Co Ltd
Priority date: 2022-03-21
Filing date: 2022-03-21
Publication date: 2022-04-15

Abstract

本发明实施例提供了一种对象的识别方法、装置、存储介质及电子装置，其中，该方法包括：利用训练后的目标网络模型提取目标对象的目标数据的目标特征；分别确定目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；基于目标距离确定目标数据的目标模糊度等级；在目标模糊度等级满足预定条件的情况下，识别目标数据，以确定出目标对象的信息。通过本发明，解决了相关技术中存在的对象识别准确率低的问题，达到提高对象识别准确率的效果。

Description

一种对象的识别方法、装置、存储介质及电子装置

技术领域

本发明实施例涉及通信领域，具体而言，涉及一种对象的识别方法、装置、存储介质及电子装置。

背景技术

随着汽车保有量逐年递增，车辆的管理问题也随着日益突出，车辆的智能识别需求也愈发强烈。

在相关技术中，市面上对车辆的识别主要采用单目相机对车辆进行抓拍，并采用车牌识别算法对车牌号加以识别；但随着较陈旧相机的成像清晰度、车辆快速运行、雨雾恶劣天气等客观因素的影响，往往会造成车牌成像模糊而无法看清车牌号，但算法依旧可以对模糊的车牌进行计算并输出一个错误的车牌号，显然这个错误的车牌号是无法使用的。

由此可知，相关技术中存在对象识别准确率低的问题。

针对相关技术中存在的上述问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种对象的识别方法、装置、存储介质及电子装置，以至少解决相关技术中存在的对象识别准确率低的问题。

根据本发明的一个实施例，提供了一种对象的识别方法，包括：利用训练后的目标网络模型提取目标对象的目标数据的目标特征；分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；基于所述目标距离确定所述目标数据的目标模糊度等级；在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息。

根据本发明的另一个实施例，提供了一种对象的识别装置，包括：提取模块，用于利用训练后的目标网络模型提取目标对象的目标数据的目标特征；第一确定模块，用于分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；第二确定模块，用于基于所述目标距离确定所述目标数据的目标模糊度等级；识别模块，用于在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息。

根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。

通过本发明，利用训练后的目标网络模型提取目标对象的目标数据的目标特征，分别确定目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离，根据目标距离确定目标数据的目标模糊度等级，在目标模糊度等级满足预定条件的情况下，识别目标数据，以确定出目标对象的信息。由于在识别目标数据之前，确定目标数据目标模糊度等级，只有在目标模糊度等级满足预定条件的情况下，再识别目标数据，以确定目标对象的信息。因此，可以解决相关技术中存在的对象识别准确率低的问题，达到提高对象识别准确率的效果。

附图说明

图1是本发明实施例的一种对象的识别方法的移动终端的硬件结构框图；

图2是根据本发明实施例的对象的识别方法的流程图；

图3是根据本发明示例性实施例的对象的模糊度等级标注方法流程图；

图4是根据本发明示例性实施例的训练目标网络模型得到训练后的目标网络模型示意图；

图5是根据本发明具体实施例的对象的识别方法流程图；

图6是根据本发明实施例的对象的识别装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明的实施例。

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。

本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种对象的识别方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的对象的识别方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本实施例中提供了一种对象的识别方法，图2是根据本发明实施例的对象的识别方法的流程图，如图2所示，该流程包括如下步骤：

步骤S202，利用训练后的目标网络模型提取目标对象的目标数据的目标特征；

步骤S204，分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；

步骤S206，基于所述目标距离确定所述目标数据的目标模糊度等级；

步骤S208，在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息；

其中，不同模糊度等级对应的所述目标等级特征存储在独立的模糊字典表中。

在上述实施例中，目标对象可以是车牌、人、动物、实物等。目标数据可以目标对象的图像数据，也可以是目标对象的编码数据。目标网络模型可以是卷积神经网络模型等。可以利用训练后的卷积神经网络模型提取目标数据的目标特征。分别确定目标特征与不同模糊度等级对应的目标等级特征的目标距离。其中，模糊度等级可以是预先确定的等级。模糊度等级可以包括清晰、较清晰、模糊、非常模糊。

在上述实施例中，可以将不同模糊度等级以及不同模糊度等级对应的目标等级特征存储在独立的模糊字典表中，在计算目标特征与目标等级特征之间的目标距离时，即可直接从模糊字典表中获取目标等级特征，而无需再次计算特征的等级，减轻了算力压力，提高了运算速度。

在上述实施例中，目标距离可以是欧式距离，也可以是余弦距离。在确定出目标距离后，可以根据目标距离确定出目标数据的目标模糊度等级，在目标模糊度等级满足预定条件的情况下，再识别目标数据，以确定目标对象的信息。其中，当目标对象为车牌时，目标对象的信息可以是车牌信息。预定条件可以是目标模糊度等级大于或等于较清晰等级，即当目标模糊度等级为清晰或较清晰等级时，识别目标数据。通过对较清晰及以上的数据进行识别，提高了识别出的对象的准确率。

可选地，上述步骤的执行主体可以是后台处理器，或者其他的具备类似处理能力的设备，还可以是至少集成有数据获取设备以及数据处理设备的机器，其中，数据获取设备可以包括摄像头等图形采集模块，数据处理设备可以包括计算机、手机等终端，但不限于此。

在一个示例性实施例中，初始化目标网络模型参数，并训练达到预定次数，以得到所述最终目标网络模型，其中，针对每一次训练，均执行以下操作：从训练数据集获取多组训练数据；分别提取所述多组训练数据中包括的每组所述训练数据中的每个训练数据的子训练特征；确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离；确定所述训练数据中包括模糊度等级不同的两个数据的子训练特征之间的第二距离；基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值；基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值；基于所述目标损失值进行随机梯度下降，并反向传播更新所述目标网络模型的参数。在本实施例中，在利用训练后的目标网络模型提取目标对象的目标特征之前，可以首先初始化目标网络模型的参数，确定训练目标网络模型的预定次数。在每次训练的过程中，都可以从训练数据集中获取多组训练数据，确定每组训练数据的损失值，进而确定多组训练数据的目标损失值。通过目标损失值进行随机梯度下降，并反向传输更新目标网络模型的参数。每次训练时均更新此参数，在更新预定次数后，得到训练后的目标网络模型。

在上述实施例中，在确定每组训练数据的损失值时，可以确定训练数据中包括的模糊度等级相同的数据的训练特征之间的第一距离，确定训练数据中包括的模糊度等级不同的数据的训练特征之间的第二距离，根据第一距离和第二距离确定损失值。

在上述实施例中，当多个训练数据为3个时，对已经人工分类好的训练数据集，可以采用深度度量学习对其进行模型训练。每次训练迭代之前，都从训练数据集中随机构建N个数据三元组{I_i，I_j，I_k}，其中，I_i和I_j属于同一模糊度等级的数据但并非同一张图，I_k则为其他模糊度等级的数据。然后将N个数据三元组作为一个batch输入给低延时的CNN网络，并得到N个归一化的特征三元组{F_i，F_j，F_k}，其中，F的特征维度为M。可以确定F_i与F_j之间的第一距离，F_i与F_k之间的第二距离，根据第一距离和第二距离确定损失值。在训练的过程中，将类类距离最小化，类间距离最大化。即将同类数据的特征之间的距离最小化，将不同类数据的特征之间的距离最大化。

在一个示例性实施例中，从训练数据集获取多组训练数据包括：随机从所述训练数据集中获取多组训练数据，其中，每组训练数据均通过如下方式获取：获取多个训练数据，其中，所述训练数据集中包括预定类型的对象的数据以及每个数据的模糊度等级，所述多个训练数据的模糊度等级不完全相同，所述对象的数据包括所述训练数据。在本实施例中，可以对包括对象的数据进行人工标注，确定每个数据的模糊度等级，将标注后的数据组成的集合确定为训练数据集。当目标对象为车牌时，可以通过如下方式每个数据的模糊度等级。车牌号主要由每个省市汉字简称（京、沪等）、特殊汉字（警、挂等）、阿拉伯数字字符（0~9）与大写英文字符（A、B等）构成。可以通过汉字及字符是否肉眼清晰可辨来标注对象的数据，以确定数据的模糊度等级。其中，对象的模糊度等级标注方法流程图可参见附图3，如图3所示，如果汉字和大部分字符均看不清，则分为“非常模糊”；如果汉字看不清，但字符需仔细观察方可辨认，则分为“模糊”；如果汉字和字符较好辨认，则分为“较清晰”；如果汉字和字符均很好辨认，则分为“清晰”。在对训练集和测试集进行分类时，可以选用奇数个观察员，例如，三位观察员来对车牌数据进行标注，对存在分歧的车牌，可以采用投票方式来决定其属于哪一类。

在上述实施例中，在确定了训练数据集后，可以随机从训练数据集中获取多组训练数据。多组训练数据中的每组训练数据中均包括多个训练数据，多个训练数据的模糊度等级不完全相同，即多个训练数据中包括相同模糊度等级的数据，还包括不同模糊度等级的数据。例如，多个训练数据是3个，三个训练数据中有两个数据的模糊度等级相同，有一个数据的模糊度等级与其他两个数据的模糊度等级不同。

在一个示例性实施例中，基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值包括：确定每组所述训练数据的损失值的第一和值；将所述第一和值确定为所述目标损失值。在本实施例中，在确定了每组训练数据的损失值后，可以将每组训练数据的损失值进行累加，得到第一和值，将第一和值确定为目标损失值。

在一个示例性实施例中，确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离包括：将所述训练数据中包括的模糊度等级相同的两个数据中包括的数据确定为第一数据和第二数据，确定所述第一数据的第一训练特征的转置；将所述第一训练特征的转置与所述第二数据的第二训练特征的乘积确定为所述第一距离；确定所述训练数据中包括模糊度等级不同的两个数据的子训练特征之间的第二距离包括：将所述训练数据中包括的模糊度等级不相同的两个数据中包括的数据确定为第三数据和第四数据，确定所述第三数据的第三训练特征的转置；将所述第三训练特征的转置与所述第四数据的第四训练特征的乘积确定为所述第二距离。在本实施例中，第一数据、第二数据、第三数据以及第四数据中可以包括重复的数据。第一数据和第二数据之间的距离以及第三数据和第四数据之间的距离可以用欧式距离来表示，也可以用余弦距离来表示。当第一距离和第二距离为余弦距离时，第一距离可以表示为

，第二距离可以表示为

。其中，i、j、k标示数据的编号， i可以表示第一数据，j可以表示第二数据和第三数据，k可以表示第四数据。F_i表示第一数据的第一训练特征，F_j表示第二数据的第二训练特征以及第三数据的第三训练特征，F_k表示第四数据的第四训练特征。

在一个示例性实施例中，基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值包括：确定所述第一距离与所述第二距离的差值；确定所述差值与预先确定的目标参数的第二和值；在所述第二和值大于预定阈值时，将所述第二和值确定为所述损失值；在所述第二和值小于或等于所述预定阈值时，将所述预定阈值确定为所述损失值。在本实施例中，在确定第一距离和第二距离之后，可以通过损失函数

确定目标损失值，其中，α即为目标参数，可以为距离超参，预定阈值可以为0，N表示多组训练数据的总组数，b表示每组的编号。即在确定目标损失值时，需要将每组数据的损失值进行累加，确定目标损失值。在确定出目标损失值后，可以利用反向传播算法对目标网络模型进行更新。其中，训练目标网络模型得到训练后的目标网络模型示意图可参见附图4。

在一个示例性实施例中，在随机初始化目标网络模型参数，并训练达到预定次数，以得到训练后的目标网络模型之后，所述方法还包括：针对所述模糊度等级中包括的任一个子模糊度等级，均执行以下操作，以得到每个所述子模糊度等级对应的所述目标等级特征：利用所述目标网络模型提取所述子模糊度等级中包括的所有等级数据的等级特征，其中，所述等级数据为所述训练数据集中包括的数据；确定所有等级数据的所述等级特征的平均值；对所述平均值进行归一化处理；将进行过归一化处理的所述平均值确定为所述子模糊度等级对应的所述目标等级特征。在本实施例中，在训练好目标网络模型后，如CNN模型，便可对训练数据集的每一模糊度等级的数据提取深度特征，即等级特征，求取该模糊度等级下所有特征的平均值，并对每一类的平均值进行归一化。归一化的每类特征平均值便可构成模糊字典供测试数据进行比对。即将经过归一化处理的平均值确定为每个子模糊度等级的目标等级特征。

在一个示例性实施例中，基于所述目标距离确定所述目标数据的目标模糊度等级包括：确定所述目标距离中包括的最小距离；将所述最小距离对应的模糊度等级确定为所述目标模糊度等级。在本实施例中，对于目标数据，可以通过目标网络模型提出数据的归一化特征，即目标特征。确定特征与目标等级特征之间的目标距离，将目标距离中的最小距离对应的模糊度等级确定为目标模糊度等级。当目标网络模型为CNN模型时，可以通过CNN网络提取该数据的归一化特征（对应于上述目标特征），并同模糊字典中的目标等级特征做余弦距离，取距离最小的类别为其目标模糊度等级。

下面结合具体实施方式对对象的识别方法进行说明：

图5是根据本发明具体实施例的对象的识别方法流程图，如图5所示，该方法包括：利用训练集（对应于上述训练数据集）对模型进行训练，提取数据的归一化特征，得到模糊字典。在模型训练完成后，利用模型提取测试集中的目标数据的特征，并将特征进行归一化处理，确定归一化后的特征（对应于上述目标特征）与模糊字典中的特征（对应于上述目标等级特征）之间的余弦距离，根据余弦距离确定目标数据的目标模糊度等级。

在前述实施例中，通过确定目标数据的目标模糊度等级，可以有助于快速滤掉不清晰的车牌数据，选取清晰的车牌数据供下游的车牌识别算法使用，极大的提升了车牌识别的有效性和准确性，而无需在模糊的车牌数据上做过多的分析工作。无论违章、刑侦还是计费等，都极大的了提升了工作效率。

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

在本实施例中还提供了一种对象的识别装置，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。

图6是根据本发明实施例的对象的识别装置的结构框图，如图6所示，该装置包括：

提取模块62，用于利用训练后的目标网络模型提取目标对象的目标数据的目标特征；

第一确定模块64，用于分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；

第二确定模块66，用于基于所述目标距离确定所述目标数据的目标模糊度等级；

识别模块68，用于在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息。

在一个示例性实施例中，所述训练后的目标网络模型是通过如下方式得到的：随机初始化目标网络模型参数，并训练达到预定次数，以得到所述最终目标网络模型，其中，针对每一次训练，均执行以下操作：从训练数据集获取多组训练数据；分别提取所述多组训练数据中包括的每组所述训练数据中的每个训练数据的子训练特征；确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离；确定所述训练数据中包括模糊度等级不同的两个数据的子训练特征之间的第二距离；基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值；基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值；基于所述目标损失值进行随机梯度下降，并反向传播更新所述目标网络模型的参数。

在一个示例性实施例中，所述装置可以通过如下方式实现从训练数据集获取多组训练数据：随机从所述训练数据集中获取多组训练数据，其中，每组训练数据均通过如下方式获取：获取多个训练数据，其中，所述训练数据集中包括预定类型的对象的数据以及每个数据的模糊度等级，所述多个训练数据的模糊度等级不完全相同，所述对象的数据包括所述训练数据。

在一个示例性实施例中，所述装置可以通过如下方式实现基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值：确定每组所述训练数据的损失值的第一和值；将所述第一和值确定为所述目标损失值。

在一个示例性实施例中，所述装置可以通过如下方式实现确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离：将所述训练数据中包括的模糊度等级相同的两个数据中包括的数据确定为第一数据和第二数据，确定所述第一数据的第一训练特征的转置；将所述第一训练特征的转置与所述第二数据的第二训练特征的乘积确定为所述第一距离；所述装置可以通过如下方式实现确定所述训练数据中包括模糊度等级不同的两个数据的子训练特征之间的第二距离：将所述训练数据中包括的模糊度等级不同的两个数据中包括的数据确定为第三数据和第四数据，确定所述第三数据的第三训练特征的转置；将所述第三训练特征的转置与所述第四数据的第四训练特征的乘积确定为所述第二距离。

在一个示例性实施例中，所述装置可以通过如下方式实现基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值：确定所述第一距离与所述第二距离的差值；确定所述差值与预先确定的目标参数的第二和值；在所述第二和值大于预定阈值时，将所述第二和值确定为所述损失值；在所述第二和值小于或等于所述预定阈值时，将所述预定阈值确定为所述损失值。

在一个示例性实施例中，所述装置可以用于在随机初始化目标网络模型参数，并训练达到预定次数，以得到训练后的目标网络模型之后，针对所述模糊度等级中包括的任一个子模糊度等级，均执行以下操作，以得到每个所述子模糊度等级对应的所述目标等级特征：利用所述目标网络模型提取所述子模糊度等级中包括的所有等级数据的等级特征，其中，所述等级数据为所述训练数据集中包括的数据；确定所有等级数据的所述等级特征的平均值；对所述平均值进行归一化处理；将进行过归一化处理的所述平均值确定为所述子模糊度等级对应的所述目标等级特征。

在一个示例性实施例中，第二确定模块可以通过如下方式实现基于所述目标距离确定所述目标数据的目标模糊度等级：确定所述目标距离中包括的最小距离；将所述最小距离对应的模糊度等级确定为所述目标模糊度等级。

需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。

本发明的实施例还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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述任一项中所述的方法的步骤。

在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。

本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。

显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种对象的识别方法，其特征在于，包括：

利用训练后的目标网络模型提取目标对象的目标数据的目标特征；

分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；

基于所述目标距离确定所述目标数据的目标模糊度等级；

在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息；

2.根据权利要求1所述的方法，其特征在于，所述训练后的目标网络模型是通过如下方式得到的：

随机初始化目标网络模型参数，并训练达到预定次数，以得到所述训练后的目标网络模型，其中，针对每一次训练，均执行以下操作：从训练数据集获取多组训练数据；分别提取所述多组训练数据中包括的每组所述训练数据中的每个训练数据的子训练特征；确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离；确定所述训练数据中包括模糊度等级不同的两个数据的子训练特征之间的第二距离；基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值；基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值；

基于所述目标损失值进行随机梯度下降，并反向传播更新所述目标网络模型的参数。

3.根据权利要求2所述的方法，其特征在于，从训练数据集获取多组训练数据包括：

随机从所述训练数据集中获取多组训练数据，其中，每组训练数据均通过如下方式获取：获取多个训练数据，其中，所述训练数据集中包括预定类型的对象的数据以及每个数据的模糊度等级，所述多个训练数据的模糊度等级不完全相同，所述对象的数据包括所述训练数据。

4.根据权利要求2所述的方法，其特征在于，基于每组所述训练数据的损失值确定所述多组训练数据的目标损失值包括：

确定每组所述训练数据的损失值的第一和值；

将所述第一和值确定为所述目标损失值。

5.根据权利要求2所述的方法，其特征在于，

确定所述训练数据中包括模糊度等级相同的两个数据的子训练特征之间的第一距离包括：将所述训练数据中包括的模糊度等级相同的两个数据中包括的数据确定为第一数据和第二数据，确定所述第一数据的第一训练特征的转置；将所述第一训练特征的转置与所述第二数据的第二训练特征的乘积确定为所述第一距离；

确定所述训练数据中包括模糊度等级不相同的两个数据的子训练特征之间的第二距离包括：将所述训练数据中包括的模糊度等级不相同的两个数据中包括的数据确定为第三数据和第四数据，确定所述第三数据的第三训练特征的转置；将所述第三训练特征的转置与所述第四数据的第四训练特征的乘积确定为所述第二距离。

6.根据权利要求2所述的方法，其特征在于，基于所述第一距离以及所述第二距离确定每组所述训练数据的损失值包括：

确定所述第一距离与所述第二距离的差值；

确定所述差值与预先确定的目标参数的第二和值；

在所述第二和值大于预定阈值时，将所述第二和值确定为所述损失值；

在所述第二和值小于或等于所述预定阈值时，将所述预定阈值确定为所述损失值。

7.根据权利要求2所述的方法，其特征在于，在随机初始化目标网络模型参数，并训练达到预定次数，以得到训练后的目标网络模型之后，所述方法还包括：

针对所述模糊度等级中包括的任一个子模糊度等级，均执行以下操作，以得到每个所述子模糊度等级对应的所述目标等级特征：

利用所述目标网络模型提取所述子模糊度等级中包括的所有等级数据的等级特征，其中，所述等级数据为所述训练数据集中包括的数据；

确定所有等级数据的所述等级特征的平均值；

对所述平均值进行归一化处理；

将进行过归一化处理的所述平均值确定为所述子模糊度等级对应的所述目标等级特征。

8.根据权利要求1所述的方法，其特征在于，基于所述目标距离确定所述目标数据的目标模糊度等级包括：

确定所述目标距离中包括的最小距离；

将所述最小距离对应的模糊度等级确定为所述目标模糊度等级。

9.一种对象的识别装置，其特征在于，包括：

提取模块，用于利用训练后的目标网络模型提取目标对象的目标数据的目标特征；

第一确定模块，用于分别确定所述目标特征与预先确定的不同模糊度等级对应的目标等级特征的目标距离；

第二确定模块，用于基于所述目标距离确定所述目标数据的目标模糊度等级；

识别模块，用于在所述目标模糊度等级满足预定条件的情况下，识别所述目标数据，以确定出所述目标对象的信息；

10.一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计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至8任一项中所述的方法的步骤。

11.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至8任一项中所述的方法。