CN118038015A - 基于局部特征分类的目标重识别方法及装置 - Google Patents

Abstract

本公开提供了一种基于局部特征分类的目标重识别方法及装置。该方法包括：通过特征提取网络处理训练图像，得到图像特征矩阵；通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。

Description

基于局部特征分类的目标重识别方法及装置

技术领域

本公开涉及目标检测技术领域，尤其涉及一种基于局部特征分类的目标重识别方法及装置。

背景技术

目标重识别是指在视频或者图片中识别到特定对象，随着人工智能技术的发展，目标重识别的应用越来越广泛。在实际应用中很多情况下，目标重识别均需要面对视频或者图片中对象被遮挡的问题，这种情况下检测只能根据视频或者图片中对象的部分特征进行，这会导致检测准确率低。

发明内容

有鉴于此，本公开实施例提供了一种基于局部特征分类的目标重识别方法、装置、电子设备及计算机可读存储介质，以解决现有技术中遮挡造成目标重识别准确率低的问题。

本公开实施例的第一方面，提供了一种基于局部特征分类的目标重识别方法，包括：构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；获取训练图像，将训练图像输入目标重识别模型：通过特征提取网络处理训练图像，得到图像特征矩阵；通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。

本公开实施例的第二方面，提供了一种基于局部特征分类的目标重识别装置，包括：构建模块，被配置为构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；获取模块，被配置为获取训练图像，将训练图像输入目标重识别模型：第一处理模块，被配置为通过特征提取网络处理训练图像，得到图像特征矩阵；第二处理模块，被配置为通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；第三处理模块，被配置为通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；第四处理模块，被配置为通过随机初始化网络生成随机特征向量；第五处理模块，被配置为通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；分类模块，被配置为通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；优化模块，被配置为基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开实施例与现有技术相比存在的有益效果是：构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；获取训练图像，将训练图像输入目标重识别模型：通过特征提取网络处理训练图像，得到图像特征矩阵；通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。采用上述技术手段，可以解决现有技术遮挡造成目标重识别准确率低的问题，进而提高目标重识别的准确率。

附图说明

为了更清楚地说明本公开实施例中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。

图1是本公开实施例提供的一种基于局部特征分类的目标重识别方法的流程示意图；

图2是本公开实施例提供的另一种基于局部特征分类的目标重识别方法的流程示意图；

图3是本公开实施例提供的一种基于局部特征分类的目标重识别装置的结构示意图；

图4是本公开实施例提供的一种电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

下面将结合附图详细说明根据本公开实施例的一种基于局部特征分类的目标重识别方法和装置。

图1是本公开实施例提供的一种基于局部特征分类的目标重识别方法的流程示意图。图1的基于局部特征分类的目标重识别方法可以由计算机或服务器，或者计算机或服务器上的软件执行。如图1所示，该基于局部特征分类的目标重识别方法包括：

S101，构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；

S102，获取训练图像，将训练图像输入目标重识别模型：

S103，通过特征提取网络处理训练图像，得到图像特征矩阵；

S104，通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；

S105，通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；

S106，通过随机初始化网络生成随机特征向量；

S107，通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；

S108，通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；

S109，基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。

特征提取网络、特征切分网络、特征拉平网络、随机初始化网络和编码网络均是现有的网络。特征提取网络用于提取图像特征，可以使用CNN、VGG、ResNet和DenseNet等网络；特征切分网络是Patch层，用于将一个大特征矩阵切分为多个小特征矩阵；特征拉平网络是Flatten层，用于特征降维，本申请实施例中是将特征切分网络切分得到的第一切分特征矩阵转化为一维向量；随机初始化网络是随机生成一个随机向量(随机向量和第一切分特征矩阵的长度是一样的)；编码网络可以使用Transformer encoder，用于对随机特征向量和各个第一切分特征矩阵对应的特征向量进行处理，得到全局特征矩阵和局部特征矩阵。全局特征矩阵是随机特征向量依次和各个第一切分特征矩阵对应的特征向量进行向量运算，最终的结果经过升维处理(特征拉平网络的逆处理)得到的。因为随机特征向量依次和各个第一切分特征矩阵对应的特征向量进行向量运算，所以本申请实施例用随机特征向量依次和各个第一切分特征矩阵对应的特征向量进行向量运算以及升维处理的结果代表全局特征矩阵。局部特征矩阵是各个第一切分特征矩阵对应的特征向量经过升维处理以及重组处理(特征切分网络的逆处理)得到的。

目标重识别可以是任意目标对象的重识别，常见的有行人重识别。如果是行人重识别，则训练图像是关于行人的图像，检测结果是训练图像中行人身份的识别结果。

根据本申请实施例提供的技术方案，构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；获取训练图像，将训练图像输入目标重识别模型：通过特征提取网络处理训练图像，得到图像特征矩阵；通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。采用上述技术手段，可以解决现有技术遮挡造成目标重识别准确率低的问题，进而提高目标重识别的准确率。

进一步地，构建局部特征分类网络，包括：利用水平切分层、全局平均池化层和分类层构建第一分支，其中，水平切分层用于在水平方向上切分特征矩阵；利用垂直切分层、全局平均池化层和分类层构建第二分支，其中，垂直切分层用于在垂直方向上切分特征矩阵；利用特征相加层、第一分支和第二分支构建局部特征分类网络。

水平切分层和垂直切分层均是Patch层，水平切分层是在水平方向上切分特征矩阵，也就是横着切分，比如维度是9*9的特征矩阵经过水平切分层，被切分为维度是3*9的特征矩阵。垂直切分层是在垂直方向上切分特征矩阵，也就是竖着切分，比如维度是9*9的特征矩阵经过水平切分层，被切分为维度是9*3的特征矩阵。对于特征切分网络而言，维度是9*9的特征矩阵经过特征切分网络，被切分为维度是3*3的特征矩阵。

分类层常使用全连接层和激活层。

更进一步地，通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果，包括：通过特征相加层处理全局特征矩阵和局部特征矩阵，得到整体特征矩阵；通过第一分支处理整体特征矩阵，得到多个检测结果；通过第二分支处理整体特征矩阵，得到多个检测结果。

特征相加层是对全局特征矩阵和局部特征矩阵进行矩阵加法运算。

更进一步地，通过第一分支处理整体特征矩阵，得到多个检测结果，包括：将整体特征矩阵输入第一分支，在第一分支内部：通过水平切分层将整体特征矩阵在水平方向上切分为多个第二切分特征矩阵；依次通过全局平均池化层和分类层处理各个第二切分特征矩阵，得到各个第二切分特征矩阵对应的检测结果。

比如整体特征矩阵是维度9*9的特征矩阵，经过水平切分层，被切分为维度是3*9的三个第二切分特征矩阵。每个第二切分特征矩阵依次通过全局平均池化层和分类层，得到该第二切分特征矩阵对应的检测结果。

实际上水平切分层和垂直切分层均是按照训练图像中对象的身体部位切分的，只是切分的方向不同，身体部位包括头部、身体、下半身等。一个第二切分特征矩阵是一个身体部位对应的特征矩阵。因为训练图像存在遮挡，相当于训练图像中对象缺少部分身体部位的信息，现有技术是通过相应的处理尽量弥补遮挡造成的缺少信息，本申请实施例是直接用各个没有被遮挡的身体部位进行检测，判断各个没有被遮挡的身体部位是否是目标对象的，最后综合所有没有被遮挡的身体部位的检测结果，确定训练图像的检测结果。

更进一步地，通过第二分支处理整体特征矩阵，得到多个检测结果，包括：将整体特征矩阵输入第二分支，在第二分支内部：通过垂直切分层将整体特征矩阵在垂直方向上切分为多个第三切分特征矩阵；依次通过全局平均池化层和分类层处理各个第三切分特征矩阵，得到各个第三切分特征矩阵对应的检测结果。

比如整体特征矩阵是维度9*9的特征矩阵，经过垂直切分层，被切分为维度是9*3的三个第三切分特征矩阵。每个第三切分特征矩阵依次通过全局平均池化层和分类层，得到该第三切分特征矩阵对应的检测结果。

进一步地，基于多个检测结果计算总检测损失，包括：利用交叉熵损失函数计算各个检测结果与训练图像的标签之间的检测损失；对计算得到的检测损失加权求和，得到总检测损失。

在对计算得到的检测损失加权求和中，各个检测结果对应的检测损失的权重可以根据情况自行设置。因为各个检测结果是训练图像中对象的一个身体部位对应的，所以所有检测结果的标签均是训练图像的标签，标签用于表明对象的身份标识。

图2是本公开实施例提供的另一种基于局部特征分类的目标重识别方法的流程示意图，如图2所示，该方法包括：

S201，在接收到待检测的目标图像，将目标图像输入训练后的目标重识别模型：

S202，通过特征提取网络处理目标图像，得到目标特征矩阵；

S203，通过特征切分网络处理目标特征矩阵，得到多个第四切分特征矩阵；

S204，通过特征拉平网络处理各个第四切分特征矩阵，得到各个第四切分特征矩阵对应的特征向量；

S205，通过随机初始化网络生成随机特征向量；

S206，通过编码网络处理随机特征向量和各个第四切分特征矩阵对应的特征向量，得到目标全局特征矩阵和目标局部特征矩阵；

S207，通过局部特征分类网络处理目标全局特征矩阵和目标局部特征矩阵，得到多个目标检测结果；

S208，对多个目标检测结果加权求和，得到目标图像最终的检测结果。

本申请实施例是目标重识别模型的推理阶段(训练后正式使用阶段)，推理阶段和训练阶段是对应的，比如目标特征矩阵类似于图像特征矩阵，第四切分特征矩阵类似于第一切分特征矩阵，目标全局特征矩阵和目标局部特征矩阵分别类似于全局特征矩阵和局部特征矩阵。每个目标检测结果是对应身体部位属于待检测的目标图像中目标对象的概率分布，按照设定的权重将多个目标检测结果加权求和，就得到目标图像最终的检测结果。目标图像和训练图像一样，均存在遮挡。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的一种基于局部特征分类的目标重识别装置的示意图。如图3所示，该基于局部特征分类的目标重识别装置包括：

构建模块301，被配置为构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；

获取模块302，被配置为获取训练图像，将训练图像输入目标重识别模型：

第一处理模块303，被配置为通过特征提取网络处理训练图像，得到图像特征矩阵；

第二处理模块304，被配置为通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；

第三处理模块305，被配置为通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；

第四处理模块306，被配置为通过随机初始化网络生成随机特征向量；

第五处理模块307，被配置为通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；

分类模块308，被配置为通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；

优化模块309，被配置为基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。

根据本申请实施例提供的技术方案，构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和局部特征分类网络构建目标重识别模型；获取训练图像，将训练图像输入目标重识别模型：通过特征提取网络处理训练图像，得到图像特征矩阵；通过特征切分网络处理图像特征矩阵，得到多个第一切分特征矩阵；通过特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；通过局部特征分类网络处理全局特征矩阵和局部特征矩阵，得到多个检测结果；基于多个检测结果计算总检测损失，依据总检测损失优化目标重识别模型的模型参数，以完成对目标重识别模型的训练。采用上述技术手段，可以解决现有技术遮挡造成目标重识别准确率低的问题，进而提高目标重识别的准确率。

在一些实施例中，构建模块301还被配置为利用水平切分层、全局平均池化层和分类层构建第一分支，其中，水平切分层用于在水平方向上切分特征矩阵；利用垂直切分层、全局平均池化层和分类层构建第二分支，其中，垂直切分层用于在垂直方向上切分特征矩阵；利用特征相加层、第一分支和第二分支构建局部特征分类网络。

在一些实施例中，分类模块308还被配置为通过特征相加层处理全局特征矩阵和局部特征矩阵，得到整体特征矩阵；通过第一分支处理整体特征矩阵，得到多个检测结果；通过第二分支处理整体特征矩阵，得到多个检测结果。

在一些实施例中，分类模块308还被配置为将整体特征矩阵输入第一分支，在第一分支内部：通过水平切分层将整体特征矩阵在水平方向上切分为多个第二切分特征矩阵；依次通过全局平均池化层和分类层处理各个第二切分特征矩阵，得到各个第二切分特征矩阵对应的检测结果。

在一些实施例中，分类模块308还被配置为将整体特征矩阵输入第二分支，在第二分支内部：通过垂直切分层将整体特征矩阵在垂直方向上切分为多个第三切分特征矩阵；依次通过全局平均池化层和分类层处理各个第三切分特征矩阵，得到各个第三切分特征矩阵对应的检测结果。

在一些实施例中，优化模块309还被配置为利用交叉熵损失函数计算各个检测结果与训练图像的标签之间的检测损失；对计算得到的检测损失加权求和，得到总检测损失。

在一些实施例中，优化模块309还被配置为在接收到待检测的目标图像，将目标图像输入训练后的目标重识别模型：通过特征提取网络处理目标图像，得到目标特征矩阵；通过特征切分网络处理目标特征矩阵，得到多个第四切分特征矩阵；通过特征拉平网络处理各个第四切分特征矩阵，得到各个第四切分特征矩阵对应的特征向量；通过随机初始化网络生成随机特征向量；通过编码网络处理随机特征向量和各个第四切分特征矩阵对应的特征向量，得到目标全局特征矩阵和目标局部特征矩阵；通过局部特征分类网络处理目标全局特征矩阵和目标局部特征矩阵，得到多个目标检测结果；对多个目标检测结果加权求和，得到目标图像最终的检测结果。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者不同的部件。

处理器401可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于局部特征分类的目标重识别方法，其特征在于，包括：

构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和所述局部特征分类网络构建目标重识别模型；

获取训练图像，将所述训练图像输入所述目标重识别模型：

通过所述特征提取网络处理所述训练图像，得到图像特征矩阵；

通过所述特征切分网络处理所述图像特征矩阵，得到多个第一切分特征矩阵；

通过所述特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；

通过所述随机初始化网络生成随机特征向量；

通过所述编码网络处理所述随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；

通过所述局部特征分类网络处理所述全局特征矩阵和所述局部特征矩阵，得到多个检测结果；

基于多个检测结果计算总检测损失，依据所述总检测损失优化所述目标重识别模型的模型参数，以完成对所述目标重识别模型的训练。

2.根据权利要求1所述的方法，其特征在于，构建局部特征分类网络，包括：

利用水平切分层、全局平均池化层和分类层构建第一分支，其中，所述水平切分层用于在水平方向上切分特征矩阵；

利用垂直切分层、所述全局平均池化层和所述分类层构建第二分支，其中，所述垂直切分层用于在垂直方向上切分特征矩阵；

利用特征相加层、所述第一分支和所述第二分支构建所述局部特征分类网络。

3.根据权利要求2所述的方法，其特征在于，通过所述局部特征分类网络处理所述全局特征矩阵和所述局部特征矩阵，得到多个检测结果，包括：

通过特征相加层处理所述全局特征矩阵和所述局部特征矩阵，得到整体特征矩阵；

通过所述第一分支处理所述整体特征矩阵，得到多个检测结果；

通过所述第二分支处理所述整体特征矩阵，得到多个检测结果。

4.根据权利要求3所述的方法，其特征在于，通过所述第一分支处理所述整体特征矩阵，得到多个检测结果，包括：

将所述整体特征矩阵输入所述第一分支，在所述第一分支内部：

通过所述水平切分层将所述整体特征矩阵在水平方向上切分为多个第二切分特征矩阵；

依次通过所述全局平均池化层和所述分类层处理各个第二切分特征矩阵，得到各个第二切分特征矩阵对应的检测结果。

5.根据权利要求3所述的方法，其特征在于，通过所述第二分支处理所述整体特征矩阵，得到多个检测结果，包括：

将所述整体特征矩阵输入所述第二分支，在所述第二分支内部：

通过所述垂直切分层将所述整体特征矩阵在垂直方向上切分为多个第三切分特征矩阵；

依次通过所述全局平均池化层和所述分类层处理各个第三切分特征矩阵，得到各个第三切分特征矩阵对应的检测结果。

6.根据权利要求1所述的方法，其特征在于，基于多个检测结果计算总检测损失，包括：

利用交叉熵损失函数计算各个检测结果与所述训练图像的标签之间的检测损失；

对计算得到的检测损失加权求和，得到所述总检测损失。

7.根据权利要求1所述的方法，其特征在于，依据所述总检测损失优化所述目标重识别模型的模型参数，以完成对所述目标重识别模型的训练，包括：

在接收到待检测的目标图像，将所述目标图像输入训练后的目标重识别模型：

通过所述特征提取网络处理所述目标图像，得到目标特征矩阵；

通过所述特征切分网络处理所述目标特征矩阵，得到多个第四切分特征矩阵；

通过所述特征拉平网络处理各个第四切分特征矩阵，得到各个第四切分特征矩阵对应的特征向量；

通过所述随机初始化网络生成所述随机特征向量；

通过所述编码网络处理所述随机特征向量和各个第四切分特征矩阵对应的特征向量，得到目标全局特征矩阵和目标局部特征矩阵；

通过所述局部特征分类网络处理所述目标全局特征矩阵和所述目标局部特征矩阵，得到多个目标检测结果；

对多个目标检测结果加权求和，得到所述目标图像最终的检测结果。

8.一种基于局部特征分类的目标重识别装置，其特征在于，包括：

构建模块，被配置为构建局部特征分类网络，利用特征提取网络、特征切分网络、特征拉平网络、随机初始化网络、编码网络和所述局部特征分类网络构建目标重识别模型；

获取模块，被配置为获取训练图像，将所述训练图像输入所述目标重识别模型：

第一处理模块，被配置为通过所述特征提取网络处理所述训练图像，得到图像特征矩阵；

第二处理模块，被配置为通过所述特征切分网络处理所述图像特征矩阵，得到多个第一切分特征矩阵；

第三处理模块，被配置为通过所述特征拉平网络处理各个第一切分特征矩阵，得到各个第一切分特征矩阵对应的特征向量；

第四处理模块，被配置为通过所述随机初始化网络生成随机特征向量；

第五处理模块，被配置为通过所述编码网络处理所述随机特征向量和各个第一切分特征矩阵对应的特征向量，得到全局特征矩阵和局部特征矩阵；

分类模块，被配置为通过所述局部特征分类网络处理所述全局特征矩阵和所述局部特征矩阵，得到多个检测结果；

优化模块，被配置为基于多个检测结果计算总检测损失，依据所述总检测损失优化所述目标重识别模型的模型参数，以完成对所述目标重识别模型的训练。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。