[发明专利]特征提取方法、目标重识别方法、装置及电子设备

说明书

本发明涉及图像处理技术领域，具体涉及特征提取方法、目标重识别方法、装置及电子设备。其中特征提取方法包括：获取目标图像；将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。所述的特征提取方法，由于小尺寸的卷积核获取低分辨率并获得更高的精度和效率；大尺寸的卷积核则获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。因此，通过将多个尺寸的卷积核融合进了一个卷积单元中，可以在有效降低模型大小的同时，也能保证特征提取的准确率。

技术领域

本发明涉及图像处理技术领域，具体涉及特征提取方法、目标重识别方法、装置及电子设备。

背景技术

目标重识别技术是利用待追踪的目标图像，在图像库或视频序列中检索出不同监控设备下相同目标的图像。现如今，在视频结构化的诸多应用中，特别是在安防领域，有着非常重要的作用。

目前目标重识别面临的主要挑战有：因为天气、视角或者监控设备的本身硬件等问题，造成所提取的特征的准确率偏低，从而错误识别目标，甚至无法识别。而且在目标密集或者拍摄角度等特殊场景下，目标会被遮挡，导致目标在图像中只有局部区域，能够用于目标识别的特征较少，进而导致目标重识别的准确率较低。以车辆重识别为例，因为同车型的不同车辆除了车牌号，在外观上是一模一样的，而且即使是同一辆车，在不同视角下也会有很大的差异。然而，基于传统的车牌识别的方法中，会因为上述的天气等原因导致特征提取的准确率偏低，进而导致错误识别车牌号。

发明内容

有鉴于此，本发明实施例提供了一种特征提取方法、目标重识别方法、装置及电子设备，以解决特征提取所导致的车辆重识别的准确率低的问题。

根据第一方面，本发明实施例提供了一种特征提取方法，包括：

获取目标图像；

将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同。

本发明实施例提供的特征提取方法，由于小尺寸的卷积核获取低分辨率并获得更高的精度和效率，小卷积核在浅层可以节省计算成本；大尺寸的卷积核则倾向于以更多的参数和计算为代价，获取更多细节的高分辨率，大尺寸的卷积核在深层可以获得更好的准确率。因此，通过将多个尺寸的卷积核融合进了一个卷积单元中，可以在有效降低模型大小的同时，也能保证特征提取的准确率。

结合第一方面，在第一方面第一实施方式中，所述目标图像还带有标注信息，所述标注信息包括所述目标图像中至少一个属性区域的位置信息以及类别标签；所述特征提取网络包括至少一种类别的局部特征提取网络；

其中，将所述目标图像输入特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述目标图像进行特征提取，得到所述目标图像的特征，包括：

利用所述属性区域的位置信息，从所述目标图像提取所述属性区域的图像；

基于所述类别标签将所述属性区域的图像输入相应的局部特征提取网络中，并利用所述特征提取网络中的至少一个卷积单元对所述属性区域进行特征提取，得到所述属性区域的特征；其中，所述卷积单元包括至少两个并行的卷积层且所述卷积层之间的卷积核尺寸不同；

基于所述属性区域的特征，得到所述目标图像的特征。

本发明实施例提供的特征提取方法，利用标注信息确定属性区域的位置，再利用属性区域的位置从目标图像提取相应的属性区域的图像，较以往只是单纯的把图像均匀分为多个块状，并把这些块状图像作为属性区域的做法，能够使特征的提取更关注于目标本身的特征，而减少了背景信息的干扰，一定程度上提升了特征提取的准确度。