[发明专利]目标重识别模型的训练方法、识别方法、电子设备及装置

权利要求书

1.一种目标重识别模型的训练方法，其特征在于，所述重识别模型包括：锚点特征提取模块、连接所述锚点特征提取模块的锚点注意力模块、识别特征提取模块、连接所述识别特征提取模块的识别注意力模块、以及连接所述识别特征提取模块的识别局部提取模块；所述训练方法包括：

将锚点训练样本图像输入所述锚点特征提取模块得到锚点样本特征，将所述锚点样本特征输入所述锚点注意力模块得到锚点注意力特征；

根据所述锚点样本特征和所述锚点注意力特征，得到锚点综合特征；

将所述锚点训练样本图像的同类训练样本图像输入所述识别特征提取模块得到同类样本特征，将所述同类样本特征输入所述识别注意力模块得到同类注意力特征；

将所述同类样本特征输入所述识别局部提取模块得到同类局部特征；

融合所述同类局部特征和所述同类注意力特征，得到同类综合特征；

将所述锚点训练样本图像的异类训练样本图像输入所述识别特征提取模块得到异类样本特征，将所述异类样本特征输入所述识别注意力模块得到异类注意力特征；

将所述异类样本特征输入所述识别局部提取模块得到异类局部特征；

融合所述异类局部特征和所述异类注意力特征，得到异类综合特征；

计算所述同类综合特征和所述锚点综合特征的同类差异度，以及所述异类综合特征和所述锚点综合特征的异类差异度；

以所述同类差异度小于所述异类差异度为目标训练所述重识别模型；

其中，将所述同类样本特征输入所述识别局部提取模块得到同类局部特征，包括：将所述同类样本特征和所述锚点样本特征进行水平池化，并分别输出局部特征图；将所述同类样本特征的所述局部特征图和所述锚点样本特征的所述局部特征图对齐，并计算关联矩阵，通过动态规划的方法计算最小路径所经过的所述局部特征图的余弦距离，与阈值比对，若符合阈值要求，则得到所述同类局部特征；

所述将所述异类样本特征输入所述识别局部提取模块得到异类局部特征，包括：将异类样本特征和所述锚点样本特征进行水平池化，并分别输出局部特征图；将所述异类样本特征的所述局部特征图和所述锚点样本特征的所述局部特征图对齐，并计算关联矩阵，通过动态规划的方法计算最小路径所经过的所述局部特征图的余弦距离，与阈值比对，若符合阈值要求，则得到所述异类局部特征。

2.根据权利要求1所述的训练方法，其特征在于，所述锚点特征提取模块和所述识别特征提取模块为ResNet50网络的第四层。

3.根据权利要求1-2中任一项所述的训练方法，其特征在于，所述锚点训练样本图像为包含训练目标的样本图像，所述训练目标包括车辆或行人；所述同类训练样本图像为包含所述训练目标的样本图像；所述异类训练样本图像为不包含所述训练目标的样本图像。

4.一种基于目标重识别模型的识别方法，其特征在于，所述目标重识别模型包括：锚点特征提取模块、连接所述锚点特征提取模块的锚点注意力模块、以及识别特征提取模块、连接所述识别特征提取模块的识别注意力模块、以及连接所述识别特征提取模块的识别局部提取模块；所述目标重识别模型由权利要求1-3中任一项所述的训练方法训练得到；所述识别方法包括：

将目标图像输入所述锚点特征提取模块得到目标图像特征，将所述目标图像特征输入所述锚点注意力模块得到目标图像注意力特征；

根据所述目标图像特征和所述目标图像注意力特征，得到目标图像综合特征；

将预测图像输入所述识别特征提取模块得到预测图像特征，将所述预测图像特征输入所述识别注意力模块得到预测图像注意力特征；

将所述预测图像特征输入所述识别局部提取模块得到预测图像局部特征；

融合所述预测图像局部特征和所述预测图像注意力特征，得到预测图像综合特征；

计算所述目标图像综合特征和所述预测图像综合特征的相似度；

基于所述相似度进行预测图像中目标的识别；

其中，所述将所述预测图像特征输入所述识别局部提取模块得到预测图像局部特征，包括：

将所述预测图像特征和所述目标图像特征分别进行池化及对齐，并分别输出局部特征图，将所述预测图像的局部特征图和所述目标图像的局部特征图对其，并计算关联矩阵，通过动态规划的方法求出最短路径，并计算局部特征的余弦距离找到对齐的局部特征，得到所述预测图像局部特征。