[发明专利]目标识别特征融合的方法、系统、介质及装置

说明书

本发明提供一种目标识别特征融合的方法、系统、介质及装置，所述方法包括以下步骤：S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值；S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；重复S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。本发明用于训练得到RNN网络能在融合新的目标识别特征的同时，减少因融合特征带来的识别错误、防止识别速度降低。

技术领域

本发明涉及目标识别技术领域，特别是涉及一种目标识别特征融合的方法、系统、介质及装置。

背景技术

目标识别是人工智能视觉领域的研究热点领域，该技术广泛基于图像视频的审查及安防监控等场景。同时，该领域也是深度学习技术主要应用方向之一，在某些场景中识别准确率甚至超过人类的识别极限，如人脸识别等。

在目标识别任务中，主要包括目标的特征提取，相似度计算，阈值判断等重要部分。其中，相似度计算在实际应用中，已抽取的特征的处理往往会带来一些困扰。具体是在特征提取之后，新的特征需要和数据库已录入特征计算相似度，但计算相似度之后，

1.如果该条新的特征不属于已录入目标，则该条特征插入数据库并登记为新录入人员。

2.如果该条新的特征属于已录入人员，那么对于这条特征通常会有以下三种处理方式：

a)特征更新，用该条新的特征，去替换匹配到的目标已录入数据库的特征。但这里有个核心问题，因为匹配识别的准确率不是100％，在匹配识别错误的时候，用一条错误的特征去更新录入特征，后续的识别结果都会因该特征带来错误。

b)特征增加，将该条新的特征录入数据库，作为被匹配到的目标的特征扩充。这种处理方式所带来的问题，就是录入数据库的特征数量会明显增长，且每个录入目标所拥有的特征也会增加，随着时间积累，会明显降低识别匹配的速度。

c)特征不变，即该条新的特征不会被插入数据库作为更新或者扩充。这种处理方式，在有些长时间的应用中，会出现特征信息单一，即当目标随着时间发生一些变化时，无法匹配识别。比如人脸识别中的发型改变，或行人重识别的时候姿态改变等。

因此，希望能够解决如何融合新的目标识别特征的同时，减少因融合特征带来的识别错误、识别速度降低、无法识别的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种目标识别特征融合的方法、系统、介质及装置，用于解决现有技术中如何融合新的目标识别特征的同时，减少因融合特征带来的识别错误、识别速度降低、无法识别的问题。

为实现上述目的及其他相关目的，本发明提供一种目标识别特征融合的方法，包括以下步骤：步骤S11、获取训练数据，所述训练数据由目标数据组成，每个目标数据包含不超过预设数量的特征；步骤S12、根据随机参数生成法对RNN网络的全部权重进行随机赋值；步骤S13、将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征；步骤S14、当一个目标的所有特征都输入所述RNN网络获得输出特征后，进行loss计算，按照更新规则基于loss值对RNN网络的全部权重进行更新；步骤S15、重复步骤S11、S13和S14直到获得的loss值符合预设loss值规则，按照更新规则基于loss值对RNN网络的全部权重进行更新。

于本发明的一实施例中，所述随机参数生成法包括：生成高斯分布的随机参数或拉普拉斯分布的随机参数。

于本发明的一实施例中，所述将所述每个数据包含的特征按照预设输入规则输入RNN网络获得输出特征包括：按照以下公式将特征输入RNN网络：